作為Python開發者，你是否經常被依賴安裝的漫長等待、虛擬環境的繁瑣管理，或是腳本分享時“環境不一致”的問題困擾？

近年來，一款名為UV的工具悄然興起，它不僅以極速安裝依賴著稱，更通過一系列創新設計重構了Python腳本的運行邏輯。

本文主要介紹UV的三大實用技巧，從“依賴即代碼”到“動態環境隔離”，體驗真正“即寫即跑”的高效開發模式。

1. 極速啟動：1秒搞定依賴安裝，告別虛擬環境煩惱

傳統Python開發中，創建虛擬環境（venv/conda）并安裝依賴往往需要數分鐘，尤其當依賴復雜時，pip install的依賴解析過程堪比“龜速”。

UV的核心優勢之一，就是將這一流程壓縮到 1秒以內——無論是安裝JupyterLab這類中型工具，還是scikit-learn這類帶有C擴展的庫，UV都能通過優化的緩存機制和并行解析，讓安裝速度提升5-10倍。

基礎用法：3步啟動輕量環境

1. 創建UV環境：uv create myenv（可選Python版本，如--python 3.12）
2. 激活并安裝依賴：uv activate myenv + uv install requests rich
3. 直接運行腳本：uv run my_script.py（無需激活環境，自動加載依賴）

但UV的“快”不僅限于此，它更通過 “運行即環境” 的設計，

讓臨時腳本無需預先配置環境也能直接運行——這正是第二個技巧的核心。

2. 腳本自包含：用“魔法注釋”實現獨立運行，分享代碼零門檻

你是否曾在分享腳本時反復解釋“需要安裝X、Y、Z庫”？

UV的 內聯依賴聲明 功能，讓腳本自帶“環境說明書”。只需在腳本頂部添加 TOML格式注釋，UV就能自動讀取依賴并生成臨時環境，無需任何手動配置。

實戰案例：寫一個“開箱即用”的API調用腳本

# /// script
# python = "3.12"        # 指定Python版本（可選）
# dependencies = ["requests>=2.28", "rich"]  # 聲明依賴
# ///

import requests
from rich.console import Console

console = Console()
response = requests.get("http://jsonplaceholder.typicode.com/posts/2")
console.print(f"API響應：{response.json()}")

運行方式：uv run my_script.py

• 無需提前安裝依賴：UV會在緩存的迷你環境中自動安裝requests和rich；
• 版本嚴格控制：通過>=或==等符號指定版本，避免“環境不一致”錯誤；
• 跨平臺兼容：注釋中的元數據可被其他工具（如pip-tools）識別，提升代碼通用性。

這種“腳本即環境”的模式，尤其適合快速驗證想法、編寫教程代碼或分享工具腳本。接收者無需關心環境配置，直接運行即可，真正實現“復制粘貼即生效”。

如果腳本的依賴不多，可以不用在代碼的開頭加# /// script ... 注釋，直接在命令行中添加依賴。

比如對于下面的代碼：

import pandas as pd

# 模擬數據
data = {
    "姓名": ["Alice", "Bob", "Charlie"],
    "年齡": [25, 30, 35],
    "分數": [85.5, 90.0, 78.3],
}

# 處理數據
df = pd.DataFrame(data)
df["分數等級"] = df["分數"].apply(lambda x: "A" if x >= 85 else "B")

# 保存為Excel（需openpyxl支持）
df.to_csv("成績分析.csv", index=False)

運行上面的代碼使用如下命令：uv run --with pandas my_script.py

這樣，即使你的環境沒有預先安裝pandas，也可以運行腳本。

3. 動態環境隔離：在同一程序中玩轉多版本依賴

當你需要測試同一功能在不同依賴版本下的表現（如scikit-learn 1.4 vs 1.5的PCA性能差異），傳統做法是頻繁創建/刪除虛擬環境，效率極低。

UV的極速環境構建能力，讓 “函數級環境隔離” 成為可能。

技術拆解：如何動態運行不同版本依賴的函數？

1. 序列化函數與參數：用pickle將目標函數及其輸入數據打包，確保跨環境傳遞；
2. 生成臨時腳本：動態創建包含依賴聲明的臨時Python文件（如指定scikit-learn==1.4）；
3. 批量執行與計時：通過循環不同版本，自動運行腳本并收集結果。

3.0.0.1. 代碼框架（基于uvtrick包）：

from uvtrick import Env

# 定義目標函數（需獨立于當前環境的依賴）
def run_pca():
    from time import time
    from sklearn.decomposition import PCA
    from sklearn.datasets import make_regression

    X, y = make_regression(n_samples=1000, n_features=10, random_state=42)

    start = time()
    PCA(n_components=2).fit(X, y)
    end = time()
    return end - start


# 創建不同版本的環境并運行
for sklearn_version in ["1.4.2", "1.5.1"]:
    env = Env(
        f"scikit-learn=={sklearn_version}",
        python="3.12",
    )

    result = env.run(run_pca)
    print(f"sklearn {sklearn_version} 耗時：{result}")

上面的腳本依賴uvtrick包，不想安裝的話，使用下面的命令來運行：

uv run --with uvtrick my_script.py

我的電腦上運行結果如下：

sklearn 1.4.2 耗時：0.0019140243530273438
sklearn 1.5.1 耗時：0.0008246898651123047

4. 總結

UV的出現，不僅是一個“更快的包管理器”，更是一次開發思維的革新。

它讓依賴管理從“環境配置的負擔”轉變為“代碼的內在屬性”，讓每個腳本都成為獨立運行的“微環境”。

無論是快速驗證、分享代碼，還是復雜的版本隔離需求，UV都能以驚人的速度和簡潔的設計化解痛點。

現在，不妨嘗試在你的下一個腳本中加入UV注釋，體驗“即寫即跑”的暢快；或者用uvtrick探索動態環境的玩法，解鎖更多可能性。

當工具足夠高效，我們才能將精力聚焦于代碼本身——這正是UV帶給開發者的終極禮物。