实际工作中，不同项目可能依赖不同的 Python 版本，比如一个老项目必须用 Python 3.8，一个新项目想尝鲜 Python 3.12。直接在系统里装多个版本很容易乱套，这时候就需要专门的多版本管理工具来让多个 Python 版本和平共处。
目前最主流的选择是 pyenv（轻量级，专注 Python 版本切换）和 conda（重量级，带完整包管理和环境管理）。
pyenv：轻量级多版本管理
pyenv 的核心思路是：在用户目录下安装多个 Python 版本，并通过修改环境变量来切换当前使用的版本。
- 安装 Python 版本：
pyenv install 3.10.13 # 安装指定版本
pyenv install 3.12.1
pyenv versions # 列出所有已安装版本
- 切换版本的方式：
pyenv global 3.12.1 # 全局默认版本
pyenv local 3.10.13 # 当前目录及子目录下生效（写进 .python-version 文件）
pyenv shell 3.9.18 # 仅当前终端会话生效
优先级：shell > local > global。
- 实际体验：进入项目目录后，python、pip 等命令自动指向对应版本，就像给每个项目贴了一张“用哪个版本”的标签。
- 搭配 virtualenv：pyenv 只管理 Python 版本，不管理包的隔离。通常和 pyenv-virtualenv 插件结合，为每个项目同时锁定 Python 版本及项目专属的虚拟环境。
适用场景：你想精确控制 Python 解释器版本，但不需要 conda 的大而全生态；或你主要在 Linux/macOS/WSL 环境下开发。
conda：跨平台的环境和包管理器
conda 是 Anaconda/Miniconda 发行版附带的工具，它把“管理 Python 版本”和“管理第三方包”统一在一个环境中，而且还支持非 Python 依赖（比如 C 库），特别适合数据科学场景。
- 创建并激活环境：
conda create -n myenv python=3.10 # 创建一个叫 myenv 的环境，内置 Python 3.10
conda activate myenv # 激活环境
- 切换与退出：
conda activate another-env
conda deactivate # 退出当前环境回到 base
- 列出所有环境：
conda env list
- 重要细节：
- conda 环境默认存放在
conda安装目录下的envs文件夹里，每个环境完全独立，有自己的 Python 二进制、pip 和第三方包。 - conda 可以安装非 Python 包（如 numpy 需要的 MKL 优化库），能避免一些编译安装的麻烦，这对 Windows 用户尤其友好。
适用场景：数据科学、机器学习项目，经常需要 numpy、pandas、scipy 等科学计算包；或者在 Windows 下希望一切开箱即用。
到底该选哪个？
- 如果你的主要工作是通用 Python 开发、Web 后端、脚本，且习惯 pip 管理依赖：用 pyenv + venv 或 pyenv-virtualenv，轻量且透明。
- 如果你从事数据科学、AI 方向，或者项目需要大量 C 扩展且不想折腾编译：直接用 conda，环境管理和包管理一步到位。
- 混用的项目组：很多团队在 conda 环境里也使用 pip 安装 conda 没收录的包，两者并不冲突（但建议先 conda 安装，不足再 pip，并留意兼容性）。
无论哪种方式，本质目的都是给每个项目一个干净、独立、可复现的 Python 环境，避免版本冲突和依赖地狱。