conda 是跨语言环境与包管理系统，适合搭建含非 python 依赖的可复现科学计算环境；pip 是纯 python 包安装器，适合轻量安装单一 python 库。
pip 和 conda 都能装 Python 包，但它们不是同一类工具——pip 是纯 Python 的包安装器，conda 是跨语言的环境与包管理系统。选哪个不取决于“谁更好”，而取决于你当前要解决的问题：是快速装一个新库？还是搭建一个稳定、可复现、含非 Python 依赖（比如 CUDA、FFmpeg、R 库）的科学计算环境？
包来源和内容范围不同
pip 只从 PyPI 下载 Python 包，安装的是源码或 wheel，常需本地编译（如 lxml、numpy 编译版）。它不管系统级依赖，也不管 Python 解释器本身。
conda 从 Anaconda 官方仓库或 conda-forge 获取包，提供预编译的二进制文件，自带编译器、数学库（如 Intel MKL）、甚至 R 或 C 工具链。它能装 Python 解释器、Jupyter、gcc、openblas——这些 pip 根本不碰。
- 想装 PyTorch + CUDA 支持？conda 一条命令搞定，pip 要手动匹配 cuDNN 版本
- 项目依赖 R 包（如 rpy2）或 Fortran 库（如 netCDF4）？conda 原生支持，pip 不行
- 只需要轻量安装 requests 或 click？pip 更直接，没冗余开销
环境管理能力差异明显
conda 内置环境管理：conda create -n myenv python=3.11 就能新建带指定 Python 版本的隔离环境，还能切换不同版本的 Python 解释器本身。
立即学习“Python免费学习笔记（深入）”；
pip 没有环境功能。它必须配合 venv（Python 3.3+ 内置）或 virtualenv 使用：python -m venv myenv && source myenv/bin/activate，之后才能用 pip 安装包。整个流程是“两步走”，且无法换解释器版本。
- conda 环境可导出为
environment.yml，包含 Python 版本、所有包及精确哈希，适合团队复现 - pip 依赖
requirements.txt，只记录包名和版本，不锁编译选项或平台信息，容易因系统差异出错
依赖解析逻辑根本不同
pip 采用线性依赖解析：先装 A，再按 A 的 requirements 逐个装 B、C……遇到版本冲突就报错或覆盖，不回退，也不全局协调。
conda 使用 SAT 求解器：把整个环境看作约束问题，一次性算出所有包兼容的版本组合。哪怕你要同时装 TensorFlow 2.15、PyTorch 2.2 和旧版 scipy，它也能尝试找出可行解（或明确告诉你无解）。
- 在数据科学项目中频繁混用多个大库时，conda 的依赖一致性更可靠
- 纯 Web 开发或小脚本项目，pip 的简单逻辑反而更透明、易调试
实际协作中的推荐用法
官方和主流数据科学社区（如 PyData）建议：以 conda 为主管理环境和核心科学栈（numpy、pandas、scikit-learn、jupyter），再用 pip 补充 conda 仓库里没有的包（比如最新发布的 alpha 版本、私有包、或 PyPI 独占库）。
注意顺序：先 conda install，再 pip install；不要反过来。否则 pip 可能覆盖 conda 管理的底层依赖，导致环境损坏。
- 错误做法：
pip install torch && conda install pandas（pip 装的 torch 可能链接错误的 CUDA 库） - 推荐做法：
conda install pytorch torchvision cpuonly -c pytorch，再pip install some-pypi-only-tool
