企业官网建设流程全解析

很多刚接触Python的朋友找我抱怨：明明照着教程把Python装好了、运行也正常，结果一到装第三方库就原形毕露——要么pip install慢到怀疑人生，要么装完这个库把那个库搞崩了，最后项目跑不起来也不知道是哪个环节出了问题。如果你也是这种状态，那这篇文章就是给你准备的。今天我要聊的是Windows环境下用Anaconda做Python环境配置，从下载安装、环境变量、虚拟环境隔离，到和VS Code、PyCharm的联动，再到高频报错的排查链路，一条龙讲透。

这篇文章适合的人群很明确：第一次装Python准备入门的纯新手、被依赖冲突折磨的脚本党、以及办公电脑上想快速搭一个不污染系统环境的开发机的人。Anaconda的价值不在于"能装Python"，而在于它把Python解释器、包管理器conda、虚拟环境和常用IDE的衔接全部统一到了一个工作流里，装一次、隔离到位、换项目不打架。下面内容我按实际动手的顺序来写，尽量少讲废话，多给能直接落地的操作和经验。

1. 为什么同样是装Python，我推荐你用Anaconda

先说一个很多人没想明白的问题：既然Python官网能直接下载安装包，为什么还要绕一圈用Anaconda？我的回答是，官网那个安装包只是Python解释器本身，而Anaconda是一个环境管理体系。你可以把它理解成，官网装的是"一个能跑Python的引擎"，Anaconda装的是"引擎+发动机舱+维修手册+工具箱全套"。

在你只写一个小脚本、不需要任何第三方库的时候，官网Python完全够用。但只要你开始接触数据分析、爬虫、机器学习、Web开发，你马上会面临三个现实问题：

• 依赖地狱。项目A需要pandas 1.x，项目B需要pandas 0.25，两个项目共用一套环境，装完你就等着冲突吧。
• 平台编译麻烦。Windows下很多包没有预编译的wheel，需要本地编译，没有C++编译器的时候就是一片红色报错。
• 污染系统Python。很多人不明不白地在系统Python里装了各种包，最后系统工具或被莫名搞坏，或者卸载不干净重装也救不回来。

Anaconda的核心组件conda，解决的就是这三件事。conda不只管理Python库，它连Python版本本身都一起管。你可以用conda创建一个Python 3.8的虚拟环境，再创建一个Python 3.11的虚拟环境，两个环境互不干扰。这在官方Python安装包下是做不到的，官方Python一装就是全局唯一环境，切换版本得靠手动改PATH或者用py管理工具，麻烦得很。

另外，Anaconda自带conda、Python解释器、以及超过250个常用科学计算包，装完直接就能用numpy、pandas、matplotlib这些，不用一个个pip install。对Windows用户来说，这是避免"装个库装了一晚上还没成"的最有效手段。

看到这里你应该明白了：Anaconda它不是Python的一个花哨皮肤，它是一个专门为Python多版本、多项目、多场景设计的隔离和依赖管理方案。官方Python解决的是"能不能跑起来"，Anaconda解决的是"跑起来之后不炸、换项目不用重装、出问题能回滚"。

2. 下载安装：版本选择与安装选项里的两个关键勾选

2.1 版本选择：Anaconda还是Miniconda，Python版本怎么挑

官网提供两个东西：Anaconda Distribution和Miniconda。前者是全家桶，500多个包，安装包接近1GB；后者只带conda和Python，后面要什么装什么，安装包才几十MB。

我的建议非常简单：新手选Anaconda，老手选Miniconda。

新手选Anaconda的理由不是因为它包多，而是因为你大概率不知道接下来会用到什么库。数据分析三件套numpy/pandas/matplotlib、Web相关的requests、爬虫的BeautifulSoup，Anaconda都预装了。省去了配镜像源、手敲命令的过程，先跑起来再说，这是最重要的。

老手选Miniconda的理由也很简单：Anaconda预装的包有一大半你根本不用，base环境臃肿会导致conda依赖解析变慢、创建新环境时被牵制。Miniconda只给你conda核心，裸Python环境干干净净，项目需要啥装啥，环境文件导出之后能在任意机器复现。

至于下载哪个Python版本，2025年这个时间点，直接选附带Python 3.12以上版本的安装包就行。老项目锁在3.8或3.10的，你在conda里用conda create -n project python=3.8瞬间拉一个出来，完全不受安装包自带版本限制。所以不要纠结安装包附带的Python版本，随便哪个都行，虚拟环境里要什么版本就有。

2.2 安装选项中容易忽略的两个勾选

Windows下安装Anaconda，安装向导会问几个选项，其中两个最容易被新手忽略，后续影响极大。

第一个是安装路径。安装程序默认路径是C:\Users\用户名\anaconda3，很多人为了"好找"改成D:\Program Files\Anaconda3这样的路径。这里我要说一个硬经验：Anaconda的安装路径绝对不要包含中文、空格、特殊符号。很多包在编译环节会解析路径，空格会引发找不到文件或路径截断的诡异错误。推荐做法是装在纯英文目录下，比如D:\Anaconda3或C:\Anaconda3，如果你非要自定义路径，用我推荐的这个格式，别带上"Program Files"。

第二个是注册到PATH。安装向导里有一步会问是否把Anaconda加入PATH环境变量，默认是不勾选的。很多人直接next过去，装完发现命令行敲conda报"不是内部或外部命令"。原因就在这一步。

这里我要展开说一下。官方默认不推荐把Anaconda加入系统PATH，因为如果电脑里还有其他Python程序，PATH顺序没控制好，会出现莫名其妙的Python版本冲突。但是对新手来说，不在PATH里就意味着每次要用conda都得去开始菜单打开"Anaconda Prompt"，那个黑色的终端窗口跟CMD长得一样但环境变量完全不同，很多人根本分不清。我的建议是：新手勾选"Add Anaconda to my PATH environment variable"，因为你后面用VS Code、PyCharm、命令行工具都需要conda在全系统范围内可见。等到你玩熟了，知道怎么手动管理环境变量，再考虑去掉也是可以的。

安装过程大约需要10到20分钟，取决于硬盘速度。装完以后先不要急着关安装向导，它会问你是否安装VS Code、是否将Anaconda设为默认Python，这些都可以勾选也可以不勾，不影响核心功能。

如果你在官网下载速度非常慢，甚至下载到一半就断掉，可以去清华镜像站下同样的安装包。镜像站的文件来自官方原版，校验值一致，只是下载路径快了数倍。

3. 环境变量背后的门道：PATH里到底加了什么，命令行能用什么

勾选了"加入PATH"之后，很多人的认知就停留在"哦可以用conda了"。但没过多久就会遇到一个诡异问题：在CMD里敲python，出来的版本和Anaconda自带的Python不一致。这时候如果你能看懂PATH里Anaconda加了哪几条路径，排查会快得多。

3.1 Anaconda写入PATH的三条路径

安装完成后，系统环境变量PATH末尾会多出以下几行（以路径为D:\Anaconda3举例）：

D:\Anaconda3 D:\Anaconda3\Library\mingw-w64\bin D:\Anaconda3\Library\usr\bin D:\Anaconda3\Library\bin D:\Anaconda3\Scripts D:\Anaconda3\condabin

这几条各有用途：

• D:\Anaconda3：主目录，让系统能找到python.exe。
• D:\Anaconda3\Scripts：conda.exe、pip.exe这些命令行工具所在位置。
• D:\Anaconda3\Library\bin：库依赖所在的位置，很多C扩展包运行时需要这里的DLL。
• D:\Anaconda3\condabin：conda.bat的所在目录，这个地方容易被忽略，但实际上很多工具初始化conda靠的是它。

我在排查别人环境问题的时候发现，不少人的PATH里只有第一条和第三条，后面几条缺失，造成的结果是：conda能识别，但是某些包跑了就报"找不到DLL"。如果你用的不是官方安装器而是绿色版或手动拷贝的Anaconda，这是最容易踩的坑。

3.2 检查PATH顺序与当前生效版本

打开CMD，依次执行以下命令：

where python where conda

如果一切正常，where python应该输出Anaconda目录下的python.exe路径。如果你同时装了Microsoft Store版的Python，系统里会有两个python.exe，那输出的第一个路径就决定了你敲python时用的是哪个。PATH的匹配规则是从前到后找第一个命中的，所以在系统变量中，Anaconda的路径必须出现在其他Python路径之前，或者你把其他Python的路径删干净。

再确认一下当前Python版本：

python --version conda --version

python --version显示的应该是Anaconda自带的版本，conda --version显示conda自身版本。如果python --version出现的不是你期望的版本，大概率就是PATH顺序或者旧版本缓存的问题。

3.3 CMD窗口闪退问题

Windows下很多人遇到"双击CMD闪退"或者"打开Anaconda Prompt闪退"的问题，其实跟Anaconda环境变量有直接关系。最常见的原因是用户自定义的PATH中包含了不存在的路径，或者conda初始化脚本运行时依赖的某个DLL缺失。

遇到闪退，先不要去找什么修复工具，按这个顺序排查：

1. 在资源管理器地址栏输入cmd打开命令行。
2. 执行echo %PATH%，检查是否能正常显示完整PATH。
3. 执行conda init，让conda把初始化脚本写入命令行配置。
4. 重启CMD，再执行conda --version。

conda init这条命令很多人不知道，它会把conda的初始化代码写入PowerShell或CMD的启动脚本。即便你之前没勾选"加入PATH"，跑完conda init再开新窗口，conda就能用了。比手改PATH更省心。

4. 虚拟环境配置：把"环境干净"这件事做到极致

4.1 为什么必须用虚拟环境，以及conda和virtualenv的区别

前面已经铺垫过，Anaconda最大的价值就是环境隔离。对于Windows用户来说，conda环境的实际表现是：每个环境有自己独立的python.exe和site-packages目录，它们不共享包文件，不会出现"A环境里装的库跑到了B环境里"的情况。

很多人会问：Python自带的venv和pip也能做虚拟环境，为什么非得用conda？区别在于，conda创建的虚拟环境可以指定不同版本的Python，而venv只能基于当前解释器复制环境。比如你想在同一个电脑上同时维护Python 3.8和Python 3.12两个项目，venv就力不从心了。conda还能管理Python之外的依赖，比如一键安装CUDA依赖的库、科学计算里的非Python二进制组件，这个就不展开说了，你只要知道conda是比venv更底层的环境管理工具就行。

4.2 创建、激活、退出、删除环境的完整操作

以下是我在自己机器上最常用的conda环境操作序列。打开CMD或者Anaconda Prompt，按顺序执行：

创建新环境：

conda create -n myproject python=3.10

这里的-n myproject是给环境起名，后面跟上你想要的Python版本。执行后conda会提示需要下载哪些包，输入y确认即可。等待完成后，环境就出现在conda的环境列表里了。

查看已有环境：

conda env list

输出会列出所有环境路径，当前正在使用的环境前面会带一个*号。

激活环境：

conda activate myproject

激活后，命令行的开头一般会显示(myproject) C:\...>。这时候你在这个窗口里执行的python、pip、conda install，全部作用在myproject这个环境内部，不会影响base环境。

退出环境：

conda deactivate

删除环境：

conda remove -n myproject --all

这个命令会把myproject环境整个删掉，包括里面装的所有包。

4.3 给conda提速：换源、pip镜像、channel优先级

默认情况下，conda和pip都从海外官方源拉包，慢是常态。国内用户换源属于必修课。方法是在用户目录下创建或修改.condarc文件，写入如下内容：

channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

改完之后执行conda clean -i清理索引缓存，再执行conda create或conda install，速度会有质的提升。

如果你在配置Pytorch等需要指定channel的环境时，建议额外查看对应框架的官方安装命令，不要只依赖默认源。很多深度学习框架的包更新频率高，官方源或者镜像源不一定同步得那么及时。

pip也要换源，方法是在用户目录下创建pip.ini文件（Windows下）：

[global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple trusted-host = pypi.tuna.tsinghua.edu.cn

如果只想临时用一次，不用改文件，直接加参数：

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

4.4 激活环境时出现的Warning信息："+this+p"

有段时间很多人在激活conda环境时看到这样一条警告：

Warning: this prefix is not the default target path; you may need to activate the environment with the full path.

这条警告的意思很简单：你激活环境时用的名字不是conda默认查找的目标路径，或者你要激活的环境路径跟配置文件里记录的不一致。最常见的原因是，你的环境创建在一个自定义路径下（比如conda create -p D:\env\xxx创建的环境），激活的时候却用了conda activate xxx，conda找不到对应关系。

解决办法有两个：一是用全路径激活：

conda activate D:\env\xxx

二是直接把conda的配置里envs_dirs指到你的自定义环境目录：

conda config --add envs_dirs D:\env

配置好了之后，再创建新环境时，环境会统一放在D:\env下，conda activate xxx就能正常识别。看到那条Warning不要慌，它不影响环境本身，只是提示路径不匹配。我之前处理过很多次这个问题，基本都是环境创建时-p指定了路径而激活时用了名字导致的。

5. 让IDE顺利接管conda环境：VS Code和PyCharm的配置细节

命令行能激活环境只是第一步，真正写代码的时候你会在VS Code或者PyCharm里操作。这两个IDE对conda环境识别的逻辑不同，很多人环境明明配好了，IDE里却选不到，问题就出在没理解它们各自的查找机制。

5.1 VS Code：解释器路径选择与Python扩展的自动发现

VS Code里配置conda环境，核心就两步。

第一步，安装官方Python扩展。打开VS Code扩展商店，搜索"Python"，认准Microsoft发布的那个，安装量最高那个就是。

第二步，调出解释器选择面板：按下Ctrl+Shift+P，输入“Python: Select Interpreter”，回车。在弹出的列表里，VS Code会尝试自动扫描所有conda环境。如果列表里出现了你创建的环境，选中即可。

如果列表里没有显示你的conda环境，选最下方的"Enter interpreter path"，手动定位到Anaconda安装目录下envs文件夹内的python.exe。比如环境名叫myproject，路径就是：

D:\Anaconda3\envs\myproject\python.exe

选定之后，VS Code左下角的状态栏会显示当前解释器名称。这里有个非常容易被忽略的点：VS Code默认使用的终端不一定会自动激活conda环境。你需要让VSCode的终端也进入对应环境，方法是在终端里执行conda activate myproject，或者在.vscode/settings.json里配置：

{ "python.defaultInterpreterPath": "D:\\Anaconda3\\envs\\myproject\\python.exe", "python.terminal.activateEnvironment": true }

python.terminal.activateEnvironment这个选项很关键，它决定你在VS Code集成终端里新建终端时，是否自动conda activate当前选中的环境。

还有一个常见问题：装了一个包，VS Code里import还飘红。这个大概率不是环境错了，而是你选的解释器跟装的包不在一个环境。有些组件默认在base环境里，有些在myproject，一混就出问题。排查的时候先看左下角解释器名，再看终端里conda env list标星号的环境，确保两者一致，再做别的判断。

5.2 PyCharm：Settings里的Conda环境添加

PyCharm对conda环境的适配比VS Code更自动化。

打开File -> Settings -> Project: 项目名 -> Python Interpreter，点击齿轮图标选"Add Interpreter"，再选"Conda Environment"。

PyCharm会尝试自动定位到你的Anaconda安装位置，如果识别到了，它会在列表里显示base环境和所有虚拟环境。选中你想要的环境点OK即可。

如果PyCharm没有自动定位到conda，手动填两个关键信息：

• Conda executable：conda.exe所在路径，比如D:\Anaconda3\Scripts\conda.exe。
• Python interpreter：对应环境的python.exe路径。

配置完成后，PyCharm右下角或者设置里能看到当前环境，运行脚本时会自动用这个环境的解释器。PyCharm还支持一个有用的功能：在创建新项目时直接选择"Conda"作为环境类型，它会自动创建一个新的虚拟环境并关联到项目，省得你在命令行建完再到IDE里配。

5.3 Anaconda Navigator点了Launch没反应

很多新手在Anaconda Navigator界面上点"Launch"按钮想打开Jupyter Notebook或IDE，然后没任何反应。这个问题我也遇到过不止一次，原因通常是环境变量混乱或Navigator自身卡死。

正确的处理思路是：

1. 先别管Navigator，直接打开CMD，执行conda activate base，然后再执行jupyter notebook看终端能否正常启动。如果能启动，说明你的Jupyter是好的，只是Navigator的图形界面卡住了。
2. 如果提示jupyter不是内部或外部命令，说明环境里压根没有Jupyter，执行conda install jupyter装一个。
3. 如果Navigator本身一直卡在图标页，那就强制结束进程，删掉C:\Users\用户名\.anaconda\navigator目录下的缓存文件，重新打开。

对于Jupyter Notebook，我也建议你放弃通过Navigator启动。在命令行里conda activate之后再启动，能让当前环境的所有包都正确导入，比图形界面点Launch稳定得多。

5.4 Jupyter Kernel与conda环境的对应问题

再延伸一个高频问题：你在conda环境里装了包，但Jupyter里import却失败。原因是Jupyter默认启动的kernel不一定对应你激活的那个环境。

如果你要让某个conda环境出现在Jupyter的kernel列表里，需要在这个环境下执行：

conda install ipykernel python -m ipykernel install --user --name myproject --display-name "Python (myproject)"

这样Jupyter的内核列表里才会多出"Python (myproject)"这个选项。每次切换环境都要重新装一次ipykernel，这是很多人在Jupyter里来回折腾后得出的经验。

6. 高频报错的完整排查链路：从装库失败到环境损坏

配置环境的过程，本质上就是和报错搏斗的过程。我挑了几个在Windows + Anaconda场景下出现频率最高的报错，每个都给你完整的排查链路和修复方案。

6.1 PyTorch等框架安装后import报错

安装了PyTorch、TensorFlow这类大型框架后，import torch报错或者提示版本不匹配，这是deep learning初学者最容易卡住的地方。

排查链路：

1. 确认你的环境是否正确激活了。终端提示符前面如果有(pytorch)说明激活了，没有就要先激活。
2. 确认你的Python版本跟框架支持版本匹配。比如PyTorch对Python 3.12以上版本支持度不如3.10稳定，如果你在Python 3.13下装PyTorch报异常，直接新建一个Python 3.10环境重装是最快的。
3. 确认CPU还是GPU版本。Windows下CPU版本的pip install torch相对简单，GPU版本的安装命令因CUDA版本而异。建议先看自己的显卡驱动支持的CUDA版本，再去相应官网查对应的安装命令。

6.2 离线安装Anaconda和conda包

有些内网办公机器无法访问外网，但需要装Anaconda和特定包。办法是有的。

离线安装Anaconda本身：在可联网的机器上下载安装包，拷贝到内网机器执行安装即可，没问题。

离线安装conda包：在联网机器上使用conda install -n myproject --download-only numpy先把包和依赖下载到本地缓存，这个命令只下载不安装。然后把C:\Users\用户名\.conda\pkgs目录下的缓存文件拷贝到内网机器的相同位置，内网机器上执行conda install numpy --offline即可离线安装。

pip也有类似的离线策略：

pip download numpy -d D:\packages pip install numpy --no-index --find-links=D:\packages

这里有个经验点：下载时要保存依赖，否则拿到内网可能缺这缺那。用pip download时要加--no-deps不行的，也要下载依赖，所以直接让它默认下载就够了。

6.3 base环境与项目环境的依赖冲突

我见过很多人的base环境被装得乱七八糟，装了什么opencv、pytorch、django全都在base里。一个环境装了几十甚至上百个包，包与包之间的依赖冲突迟早爆发。

处理思路非常简单粗暴：

1. 把当前工作的环境里需要的包列一份清单，导出：

conda env export > environment.yml

2. 新建一个干净环境导入：

conda env create -f environment.yml -n clean_env

3. 确认新环境里所有包能正常使用后，把旧的脏环境删掉。

如果base环境已经被污染到连conda本身都运行不正常了，那就用conda update --all试试，还不行就备份环境配置后直接卸载重装Anaconda。不要舍不得那点包，重新装半天能解决的问题，花几天去修不值得。

6.4 conda install卡在Solving environment

卡在"solving environment"这一步是conda用户最常遇到的体验瓶颈。原因很简单：conda在解析依赖时需要检查所有已安装包之间的版本兼容关系，环境里包越多，解析时间越长。特别是在base环境装了上百个包后再去install新包，那个过程能把人急死。

改善方法有三个：

• 尽量用干净的新环境干活，不要全部堆在base里。
• 优先使用-c conda-forge或镜像源，某些源解析速度会快一些。
• 用mamba替代conda。mamba是conda的高性能替代品，用C++重写了依赖解析逻辑，速度快非常多。安装命令在base环境里执行：conda install mamba -c conda-forge，装完以后用mamba install代替conda install，速度体验有质的飞跃。

6.5 pip install时报错"ERROR: Could not find a version that satisfies the requirement"

这个报错有两种常见原因：一是包名拼错或者依赖了不存在的平台版本，二是Python版本过新、包还没发布支持版本。

排查办法：先去PyPI网站上确认包是否存在，然后确认包的版本要求和你的Python版本匹配。如果包本身要求Python 3.8以下，你用3.11装那就肯定找不到。Windows上最好再确认一下包是纯Python实现的还是需要C扩展编译的，后者在Windows上经常没有预编译wheel，会提示你安装Microsoft C++ Build Tools。

6.6 VSCode或PyCharm里能运行Python但pip列表和import结果对不上

这个问题的根源在于：IDE里选中的解释器路径和命令行激活的环境可能不是同一个。Visual Studio Code虽然自动扫描了conda环境，但如果你同时打开了多个工作区，或者项目里有.venv、.vscode/settings.json覆盖了默认解释器，都会导致IDE跑到别的环境去。

排查方式很简单：

1. 在IDE的Python终端里执行import sys; print(sys.executable)，先确认实际使用的解释器路径。
2. 执行import numpy; print(numpy.__file__)，确认包从哪个路径加载的。
3. 对比两条路径是否都指向你设想的环境。不一致的话，就去解释器选择面板重新指定。

7. Windows环境变量与端口占用的连带问题

这个话题可能有人觉得跟Anaconda没关系，但实际上关联非常深。Anaconda自带的库、Jupyter等服务经常要和系统端口打交道。你跑Jupyter默认端口8888，跑Flask或Django默认端口5000或8000，这些端口一旦被占用，你一启动就报错。

Windows下查端口占用的命令很简单，但很多人就是不会排查：

netstat -ano | findstr :8888

这个命令会列出监听8888端口的进程PID，然后根据PID查具体进程：

tasklist | findstr 8888

如果是无用的进程占着端口，直接强制结束：

taskkill /PID 8888 /F

这里我特别喜欢提醒Jupyter用户一点：Jupyter默认端口8888被占用时，它会自动尝试8889、8890等端口，启动日志里会写清楚实际使用的地址。很多人没看日志，直接复制了之前一次启动的地址来访问，自然打不开。端口相关的排查，永远是"先看日志，再动刀"。

至于环境变量PATH和端口之间还有一个间接关系：如果你在PATH里加了乱七八糟的路径指向了某个旧Python目录，某些服务启动时调用的是旧Python，它监听端口的行为和Anaconda环境里的表现就完全不同。这种问题排查起来很痛苦，我建议是定期检查系统PATH，删除那些自己都不记得是干什么用的路径，尤其是旧版软件留下的。

8. 把配置做成可复用的脚本：环境迁移与批量安装

环境配置这件事，最理想的状态是"一次配置，到处复制"。Anaconda提供了非常方便的环境导出导入机制，这是我工作中离不开的功能。

导出当前环境为yaml文件：

conda env export > environment.yml

在另一台机器或新机器上重建环境：

conda env create -f environment.yml

这条命令会自动创建同名环境并安装所有依赖。导出的yaml文件里包含源机器的下载源URL等信息，如果目标机器在内网，可能需要手动改一下channel。

如果只是想快速安装一串包，用一行命令搞定：

conda create -n myproject python=3.10 numpy pandas matplotlib requests -y

所有包名一次写全，conda会一并通过依赖解析安装，比装一个等一个再装一个要快很多。

另一个很有用的操作是给conda配置默认环境路径。如果你公司电脑用D盘，但Anaconda默认环境装在C盘用户目录下，C盘空间告急时可以修改：

conda config --add envs_dirs D:\conda\envs conda config --add pkgs_dirs D:\conda\pkgs

配置之后，新建环境默认进D:\conda\envs，包缓存也去了D盘，C盘压力小很多。

就我自己的使用体验来说，Windows + Anaconda这套组合，只要你把环境变量、虚拟环境、IDE解释器选择这三个核心环节理顺了，后面基本不会再有恶心人的大问题。很多用户折腾半天其实不是Anaconda本身的问题，而是没搞明白当前的shell在运行哪个Python、当前的包装到了哪个环境。任何时候代码异常，先停下来问自己一句：我现在激活的是哪个conda环境？我选的解释器路径对不对？这两个问题能解决八成以上的"莫名其妙"。

最后再分享一个个人习惯：给每个项目单独建一个conda环境，名字直接用项目名，Python版本选项目依赖锁定的版本，包尽量少装，能用pip装的就别用conda装（pip偶尔更快），但框架级别的依赖（PyTorch这种）优先用conda因为它能处理非Python的二进制依赖。环境一旦稳定运行了，立刻导出environment.yml存档，哪天环境搞坏了，一条命令重建，十分钟恢复战场。这套工作流我用了好几年，换了两台电脑都没再为环境问题熬过夜。