Anaconda 这个工具对很多 Python 开发者、数据分析师和机器学习工程师来说都不陌生——它本质上是一个集成了大量数据科学常用库的 Python 发行版，核心作用就是帮助我们更高效地完成 Python 环境管理与依赖包管理。不过，面对 Conda 那一串命令，很多人刚开始使用时还是会觉得不太顺手。正好借这个机会，把日常开发里最常见、最实用的 Conda 常用命令系统梳理一遍，做成一份便于随时查阅的 Conda 命令速查手册。
简单来说，Conda 命令主要围绕三件事展开：虚拟环境管理、软件包安装与升级、以及包信息搜索和当前安装状态查询。下面按模块详细说明。
一、conda环境管理（核心）
Conda 是一个跨平台的开源包管理器和环境管理工具，最初主要为 Python 生态设计，如今也支持多种编程语言。为什么 Python 虚拟环境管理如此重要？因为不同项目的依赖版本经常会互相冲突——这个项目要求 Python 3.8，另一个项目又必须使用 3.12，如果没有环境隔离，开发和部署都会变得非常麻烦。Conda 的价值，正是帮助我们解决这类依赖冲突和版本管理问题。
1.1 查询所有虚拟环境
conda env list # 或 conda info --envs
这条命令会列出系统中所有的 conda 虚拟环境，带有(*)标记的就是当前正在使用的环境。
1.2 创建虚拟环境
conda create -n 环境名称 python=版本号
例如，创建一个名为 pytorch_env、Python 版本为 3.12 的环境：
conda create -n pytorch_env python=3.12
其中-n是--name的简写，Python 版本号可以根据项目需求灵活指定。
1.3 激活虚拟环境
# Windows conda activate 环境名 # Linux/macOS（若初始化conda，需先执行 source ～/.bashrc 或 source ～/.zshrc） conda activate 环境名
比如激活刚刚创建的 pytorch_env：
conda activate pytorch_env
1.4 退出虚拟环境
conda deactivate
执行后会退出当前环境，并回到 base 环境（默认基础环境）。
1.5 复制虚拟环境
conda create -n 新环境名 --clone 原环境名
例如，把 pytorch_env 克隆一份并命名为 pytorch_env_copy：
conda create -n pytorch_env_copy --clone pytorch_env
1.6 删除虚拟环境
conda remove -n 环境名 --all
比如删除 old_env：
conda remove -n old_env --all
注意：删除环境前要先退出该环境，不能直接删除当前正在使用的 conda 环境。
二、包管理
除了环境管理之外，Conda 在 Python 包管理方面也非常强大，无论是安装、更新还是删除依赖包，操作都相对简单高效。
2.1 安装包
# 在当前环境安装包（指定版本可选） conda install 包名==版本号 # 安装到指定环境（无需提前激活该环境） conda install -n 环境名 包名
例如，在当前环境中安装 numpy 1.21.0：
conda install numpy==1.21.0
如果使用 conda 安装失败，也可以改用 pip 安装（记得先激活目标环境）：pip install 包名。
2.2 查看当前环境已安装的包
conda list
该命令会列出当前激活环境中所有已经安装的包以及对应版本号。
2.3 查看指定环境的包
conda list -n 环境名
例如查看 pytorch_env 环境中的安装包：
conda list -n pytorch_env
有时候需要一次安装多个常用包，也可以通过一条命令直接完成：
conda install numpy pandas matplotlib
这样可以减少重复输入，提高 Python 开发环境配置效率。
2.4 更新包
# 更新指定包 conda update 包名 # 更新当前环境所有包（谨慎使用，可能引发兼容性问题） conda update --all
2.5 卸载包
# 卸载当前环境的包 conda remove 包名 # 卸载指定环境的包 conda remove -n 环境名 包名
2.6 搜索包（查看可用版本）
conda search 包名
比如搜索 pytorch 有哪些可安装版本：
conda search pytorch
三、配置与更新
Conda 的配置管理同样值得重视，尤其是在国内网络环境下，合理配置镜像源可以显著提升 Anaconda 和 Conda 下载包的速度。
3.1 查看conda版本
conda --version # 或 conda -V
3.2 更新conda本身
conda update conda
建议定期升级到较新的版本，以保证 Conda 功能稳定、依赖解析正常。
3.3 配置国内镜像源
# 添加Anaconda仓库镜像 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ # 添加conda-forge仓库镜像（包含更多包） conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ # 添加PyTorch镜像（如需安装PyTorch） conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
3.4 设置显示通道地址（安装时能看到从哪个源下载）
conda config --set show_channel_urls yes
3.5 查看已配置的镜像源
conda config --show channels
3.6 删除指定镜像源
conda config --remove channels 源地址
四、实用技巧
4.1 导出环境配置（用于复现环境）
# 在当前环境下执行，导出为yaml文件 conda env export > 环境名.yaml
例如导出 pytorch_env 的环境配置：
conda env export > pytorch_env.yaml
4.2 从配置文件创建环境
conda env create -f 环境名.yaml
当你更换电脑或需要在新机器上部署项目时，只要保留这个 yaml 文件，就可以一键重建几乎一致的工作环境，方便环境复现与团队协作。
4.3 清理conda缓存（释放磁盘空间）
Conda 安装的包默认存放在Anaconda/pkgs目录下。使用时间一长你会发现：有些包安装后再也没有用过，有些 tar 压缩包缓存一直保留，还有一些因为依赖关系反复下载了多个版本。这些冗余文件会持续占用磁盘空间。这时候就可以使用conda clean来清理缓存：
# 清理未使用的包 conda clean -p # 清理tar包缓存 conda clean -t # 清理所有缓存（推荐） conda clean -y --all
以上这些内容，基本覆盖了日常 Python 开发、数据科学项目和机器学习环境配置中最常用的 Conda 操作。建议把这份 Conda 常用命令手册保存下来，今后遇到虚拟环境管理、依赖安装或包版本冲突问题时，随时翻一翻，能节省不少排查和配置时间。
