用Mamba代替Conda -- 介于UV和Conda之间的解法

0. Motivation

最近在服务器上配环境的时候，又被 conda install 卡住了

尤其是装 CUDA, PyTorch, conda-forge 这种依赖比较复杂的包时，conda 可能会在 Solving environment 那一步想很久

后来发现其实可以直接用 mamba

简单理解：mamba 就是一个更快的 conda

1. Overall

mamba 和 conda 用的是同一套环境、同一套 package、同一套 channel

也就是说它不会重新发明一套 Python 环境管理方式

你原来的 conda env 还是那些 env，只是把很多命令里的 conda 换成 mamba

比如：

conda install -n conceptgraph -c nvidia cuda-nvcc=11.8.89

可以写成：

mamba install -n conceptgraph -c nvidia cuda-nvcc=11.8.89

它快主要是因为依赖求解器是 C++ 写的，并且下载、处理 repodata 等步骤也更激进一些

所以在依赖关系很复杂的时候，体验会明显好很多

2. Install

如果已经装好了 miniconda/anaconda，最简单的方法是在 base 环境里装：

conda install -n base -c conda-forge mamba

装完之后可以确认一下：

mamba --version
which mamba

之后不需要每次都 conda activate base

只要当前 shell 已经能用 conda，一般就可以直接用 mamba

3. Command lines

我举一些例子，其实就是command里把conda换成mamba

创建环境：

mamba create -n env_name python=3.10

激活环境：

conda activate env_name

安装包：

mamba install numpy pandas matplotlib

给指定环境安装包：

mamba install -n env_name numpy

4. Notes

mamba 不是 pip 的替代品

如果一个包本来就是用 pip 装的，还是用 pip

mamba install python cudatoolkit pytorch numpy
pip install some_python_only_package

也就是说，底层依赖、CUDA、PyTorch 这些优先用 mamba/conda

纯 Python 包或者 conda 里没有的包再用 pip

另外尽量不要混太多 channel

比如一个环境里一会儿 defaults，一会儿 conda-forge，一会儿 nvidia

不是不能用，但依赖冲突和求解变慢的概率会更高

如果主要用 conda-forge，可以设置 strict channel priority：

conda config --set channel_priority strict

5. micromamba

还有一个更轻量的版本叫 micromamba

它不依赖 conda 本体，是一个独立的可执行文件

适合 Docker、CI、或者从零开始搭一个很干净的环境

但如果你已经有 miniconda/anaconda，并且只是想让装包更快，用 mamba 就够了

6. Reference

• Mamba Installation
• Mamba User Guide
• Micromamba Installation
• Miniforge