第4章 环境导出与导入：锁定环境的“存档”与“读档”

环境配好了，依赖装齐了，代码也能跑了——然后呢？

你总得把这个环境“存个档”吧。不然换个机器、换个人，一切从头再来？

说白了，conda env export 和 conda env create -f 就是 Conda 世界里的“存档”和“读档”。

我个人习惯，项目第一天就把基础环境导出一份扔进 Git 仓库。不是多此一举，是吃过亏才长记性。

4.1 conda env export：给你的环境拍张“快照”

命令很简单，一行搞定：

conda env export -n my_project_env > environment.yml

这会把 my_project_env 里所有包的名称、版本、来源通道、甚至 build 标识，一股脑写进 environment.yml。

举个例子，我导出一个叫 ml_playground 的环境，生成的 YAML 长这样：

name: ml_playground
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.10.12
  - numpy=1.26.2
  - pandas=2.1.4
  - scikit-learn=1.3.2
  - pip:
    - mlflow==2.8.1
    - tensorboard==2.15.0

注意那个 name 字段——它决定了之后 conda env create 创建的环境名。

conda env export --from-history -n my_project_env > environment.yml

4.2 解读 environment.yml：环境的“DNA”图谱

YAML 文件其实就三块内容：环境名、通道列表、依赖列表。

这里面有个坑——build 标识。默认导出会带上 build 号，比如 numpy=1.26.2=py310h4ffa9b7_0。这串东西在 Windows 和 Linux 上往往不一样。

我之前跨平台迁移时就踩过这个坑：Windows 上导出的文件，Linux 上直接报“找不到包”。

conda env export --no-builds -n my_project_env > environment.yml

4.3 conda env create -f：一键还原环境

拿到 environment.yml 后，在目标机器上跑：

conda env create -f environment.yml

Conda 会按文件里的通道顺序，把每个包原封不动装回来。

如果不想用文件里写的环境名，想换个名字：

conda env create -f environment.yml -n my_new_env

这样做的好处是，你可以在同一台机器上保留多个“同款但不同名”的环境，用于对比测试。

4.4 导出指定通道：精准控制依赖来源

你有没有碰到过这种情况：团队里有人用 conda-forge，有人用 defaults，结果同一个 environment.yml 装出来的包校验值对不上？

原因很简单——通道没锁死。

导出时显式指定通道：

conda env export --channel conda-forge --channel defaults -n my_project_env > environment.yml

这样生成的 YAML 文件里，channels 列表第一行就是 conda-forge，第二行才是 defaults。创建环境时，Conda 会优先从 conda-forge 拉包。

如果你希望所有团队成员都用同一套通道优先级，还可以在导出前设置全局通道配置：

conda config --add channels conda-forge
conda config --set channel_priority strict

然后导出。这样出来的 YAML 天生就带通道优先级信息。

4.5 实战：完整的环境迁移流程

纸上谈兵没用，我们走一遍真实的迁移流程。假设你在一台开发机上配好了环境 tf_workstation，现在要把它搬到一台没有网络的离线服务器上。

第一步，在开发机上导出：

conda env export --no-builds --channel conda-forge -n tf_workstation > environment.yml

第二步，把 environment.yml 传到目标机器（U盘、内网传输、Git 仓库都行）。

第三步，在目标机器上创建环境：

conda env create -f environment.yml -n tf_workstation

第四步，验证：

conda activate tf_workstation
conda list
python -c "import tensorflow; print(tensorflow.__version__)"

如果版本号和开发机上一致，恭喜你，迁移成功。

下面这张图总结了整个流程的核心链路：

看到没？environment.yml 就是整个流程的“桥接文件”。导出阶段生成它，导入阶段消费它。只要它内容不变，环境就能复现。

4.6 避坑指南

最后，我把这几年和 Conda 环境打交道遇到的几个典型问题，一次性列出来：

• 跨平台 build 标识不匹配——我在 Windows 上导出的环境，Linux 上死活装不上。解决方法：加 --no-builds。
• 通道不可达——YAML 里写了 defaults，但离线服务器根本没这个通道。解决方法：导出前锁定通道，并在团队内统一。
• 环境名冲突——conda env create 时如果本地已经有同名环境，Conda 不会覆盖，而是报错。解决方法：用 -n 指定新名字，或者先 conda env remove -n old_name。
• Pip 包版本没锁死——pip: 下面的包如果不写版本号，换个时间安装可能拿到不同版本。解决方法：导出后用 pip freeze 手动核对，或者在 environment.yml 里补全版本。