小丸子书单1. Python环境复现的核心痛点
接手一个Python项目时，最让人头疼的莫过于环境配置问题。我遇到过无数次这样的情况：从GitHub克隆了一个看起来很酷的项目，结果在安装依赖时卡了整整两天。这种经历让我深刻理解到，环境复现是每个Python开发者必须掌握的生存技能。
requirements.txt和environment.yml就像两份不同的"食谱"，前者是家常菜做法（pip系），后者是分子料理指南（conda系）。新手最容易犯的错误就是混用这两套系统，比如用conda安装requirements.txt，结果遇到各种奇怪的报错。最近在复现一个机器学习项目时，我就因为这个问题浪费了三个小时。
这两种文件的本质区别在于：requirements.txt只记录Python包信息，而environment.yml保存的是完整的conda环境快照。这就好比搬家时，前者只打包了家具清单，后者连房间布局都原样复制了。理解这个差异，是避免踩坑的第一步。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. requirements.txt深度解析
2.1 从生成到使用的完整流程
生成requirements.txt的标准姿势是使用pip freeze命令。但这里有个坑：这个命令会导出当前环境的所有包，包括你不想要的测试依赖。我推荐使用pipreqs这个神器，它能智能分析项目实际import的包：
bash复制pip install pipreqs
pipreqs /path/to/project --force
安装依赖时，新手常直接运行pip install -r requirements.txt。但在生产环境中，更好的做法是：
bash复制python -m pip install --upgrade pip
python -m pip install -r requirements.txt --no-cache-dir
--no-cache-dir能避免使用缓存的旧版本包，这在Docker构建时特别有用。去年我在部署一个Django项目时，就因为这个缓存问题导致线上环境用了错误的包版本。
2.2 文件内容的进阶用法
基础的requirements.txt长这样：
code复制numpy==1.21.0
pandas>=1.3.0
``