简介：面向Python数据科学初学者、高校学生与自学者，这份Anaconda安装指南围绕三大主流操作系统，梳理从官网获取安装包到完成基础环境配置的关键环节。压缩包内仅含1个docx文件，大小约14KB，篇幅轻量，便于本地查阅与归档；内容按官网下载、安装程序启动、环境变量选项、安装类型与路径选择、图形化管理工具启动、环境创建以及版本更新等模块组织，重点说明安装过程中容易忽略的选项差异与常见配置要点，文档结构清晰，可快速定位安装选项、环境管理与更新维护等章节。已有8447人学习下载，可作为搭建数据分析与机器学习环境的入门参考，也适合在重装系统、切换设备或排查环境变量问题时对照查阅，帮助读者理清安装流程与环境管理思路。

1. 从一次「装完找不到 conda」说起：anaconda 安装真正卡人的地方

上个月帮某开发者收拾一台笔记本，他 anaconda 安装折腾了三遍：桌面上的 Navigator 图标点开能用，Jupyter 也能起，唯独在命令行里敲conda就回一句「不是内部或外部命令」。最后发现不是装坏了，是安装向导里那个 PATH 复选框没勾，而这台机器上早就有另一个 Python。类似的事我见过太多——anaconda 安装本身不难，难的是装之前没想清楚版本、路径和 PATH 这三件事，装完才发现要么和系统里的解释器打架，要么包缓存把 C 盘塞满。这套环境在数据科学、机器学习、教学实验里几乎是标配，装得好一小时收工，装不好一整天都在返工。下面按我实际走的顺序，从选版本、装系统、配环境到验证跑通，一步步写清楚。

2. 选版本与留空间：Anaconda3 发行版怎么挑、磁盘留多少

动手下载之前有两件事必须先定下来：装哪个发行版，装到哪块盘。这两件事定错了，后面所有步骤都是白费力气——换发行版要重装，换盘要迁移环境目录，迁移过程中虚拟环境路径写死的地方会一个个报错。我一般的做法是先在纸上写清楚「这台机器给谁用、跑什么项目、原来有没有 Python」，再打开浏览器。

2.1 Anaconda3 的版本号不是语义化版本，是打包日期

Anaconda 的安装包文件名长这样：Anaconda3-<年份>.<月份>-Windows-x86_64.exe、Anaconda3-<年份>.<月份>-Linux-x86_64.sh、Anaconda3-<年份>.<月份>-MacOSX-arm64.pkg。中间那段年份加月份，表示的是「这一批软件包是在哪个月被打包到一起的」，不是 1.0、2.0 那种功能版本。所以看到两个版本号相差几个月，不代表功能有大改，只代表里面预装的库和默认 Python 解释器更新了一些。

这个规则带来的第一个取舍是：新版发行版默认的 Python 版本会更高，预装库也更新，但某些老项目依赖的库可能还没跟上；旧版发行版稳，但预装的库偏旧，创建新环境时反而要花时间升级。我一般不纠结这个问题——发行版只决定「开箱即用的那一套」，项目真正依赖哪个 Python 版本，靠conda create建环境时指定就行，没必要为了一个老项目专门去下载一个旧发行版。

# 建环境时显式指定 Python 版本，比换发行版省事得多 conda create -n legacy-demo python=3.9 -y

这里的-n是环境名，python=3.9是告诉 conda 在这个环境里装 3.9 系列，-y表示跳过确认直接执行。命令执行完，这套环境和你系统里默认的 Python 完全隔离，互不影响。这也是我为什么说别为了版本问题去换发行版——版本隔离本来就是 conda 的核心能力。

第二个取舍是 Anaconda 和 Miniconda 的选择。Anaconda 发行版自带了几百个科学计算相关的包，装完就能直接import numpy、import pandas、开 Jupyter，代价是安装包体积大、装完占用几个 GB、安装过程要等十几分钟。Miniconda 只带 conda 和 Python，装完不到几百 MB，但每用一个包都得自己装。对刚上手、还不清楚自己要用哪些库的人，装 Anaconda 更省心；对已经明确只跑某一个项目、磁盘又紧张的人，Miniconda 更合适。这条不用纠结太久，装错了卸载重来也就半小时。

2.2 磁盘预留：别只看安装包大小

安装包下载下来看着不大，解压安装完之后占用的空间会翻好几倍。原因有三块：一是安装目录本身的库文件，二是pkgs缓存目录（conda 下载过的包压缩包和解压后的副本都留在这里），三是envs目录（每建一个环境就复制一份基础依赖）。

我按经验给一个粗略的预留表，实际数字会随发行版和安装包数量浮动：

结论很简单：装 Anaconda 的那块盘，我一般至少留 10 GB 起步，长期用的话 20 GB 更稳。如果是装在笔记本上、C 盘本来就吃紧，那就别用默认路径，直接指定到数据盘。这一步在 Windows 安装向导里能改，在 Linux 和 macOS 上靠命令行参数指定，后面两章分别写。

2.3 装之前先跑三条自检命令

这一步很多人跳过，结果装完才发现机器上早就有一个 Python，pip 装的包全乱了。花两分钟查一下，比事后救火便宜。

# Linux / macOS：列出当前 PATH 上能找到的所有 python 和 python3 which -a python python3 # 看当前 PATH 的顺序，判断哪个目录优先级最高 echo $PATH # 看目标磁盘剩余空间，单位是 GB df -h /home

which -a的-a是关键，不加只会返回第一个命中的路径，而你恰恰需要知道「一共有几个」。echo $PATH返回一串用冒号分隔的目录，越靠前的优先级越高，装完 conda 之后如果发现python指向变了，就是 PATH 顺序被动过。df -h里的-h是人性化单位，看 Avail 那一列就行。

Windows 下对应的命令不太一样：

:: 查系统里已经注册的 python 和 conda where python where conda :: 查磁盘剩余空间 wmic logicaldisk get caption,freespace

where会把 PATH 里所有匹配项都列出来，这点和which -a等价。如果where python已经有输出，说明机器上存在别的解释器，那么安装向导里那个「加入 PATH」的复选框就要慎重，具体怎么取舍在 3.4 节展开。

3. Windows 上装 Anaconda3：向导里每一步该勾什么

Windows 是大多数人第一次装 Anaconda 的平台，也是向导选项最多、最容易点错的平台。整个流程从下载到能打开 Navigator 大概十几分钟，但中间那几个勾选框值得单独拿出来讲。

3.1 下载与完整性校验

从官网下载对应操作系统的安装包，Windows 下是.exe，注意区分 64 位和 32 位（现在基本只有 64 位可选）。下载完之后别急着双击，先做一次哈希校验——尤其是从公司内网镜像或者别人转发的安装包拿到的文件，校验一遍能排除掉下载中断导致的半截包，那种包装到一半会报一个很难懂的压缩错误。

# PowerShell 里算 SHA256，和下载页给出的校验值比对 Get-FileHash .\Anaconda3-<版本>-Windows-x86_64.exe -Algorithm SHA256

-Algorithm SHA256指定算法，输出里看 Hash 那一行。老一点的系统用 cmd 也行：

certutil -hashfile Anaconda3-<版本>-Windows-x86_64.exe SHA256

两条命令效果一样，前者输出更好看。校验值对不上就重下，别抱侥幸心理。

3.2 Just Me 和 All Users：先想清楚这台机器谁在用

安装向导第二屏会让你选安装类型，两个选项的差别不只是「装给谁」：

• Just Me：装到当前用户目录下，比如C:\Users\<用户名>\anaconda3。安装过程不需要管理员权限，环境目录、包缓存也都归当前用户，后面conda install不会弹 UAC。缺点是换一个 Windows 账号登录就找不到这套环境了。
• All Users：装到C:\ProgramData\Anaconda3这类公共目录，所有账号都能用。但公共目录默认只有管理员能写，普通账号装包时会遇到 Permission denied，需要以管理员身份开终端。

我自己的习惯是：个人办公机、笔记本一律选 Just Me；实验室共用机、机房机器选 All Users，并且提前把envs_dirs和pkgs_dirs指到公共可写目录，免得后面每个用户装包都要找管理员。这一点在 5.2 节有具体配置。

3.3 安装路径的三条硬规矩

向导会让你改安装路径，默认是用户目录下。改路径的时候记住三条：

第一，路径里不要有中文。conda 的很多元数据文件、包内的编译脚本对非 ASCII 路径处理不干净，装包时报编码错误、脚本找不到路径，追起来很费劲。

第二，路径里不要有空格。有些第三方包的构建脚本没有给路径加引号，遇到空格就截断，报错信息还指向一个不存在的目录。

第三，不要放在 OneDrive、iCloud 这类同步目录里。同步客户端会在后台不停读写这些文件，conda 装包时文件被占用，轻则装得慢，重则解压失败留下半个包，之后每次操作都报「包已存在但损坏」。

如果 Windows 用户名本身是中文，默认路径就带中文了，这时候必须在向导里手动改到D:\anaconda3这种纯英文路径，没有别的办法。

3.4 PATH 复选框：勾还是不勾，取决于机器上有没有别的 Python

向导里有一个「Add Anaconda to my PATH environment variable」的复选框，官方安装器默认是不勾的，很多教程会让你勾上，理由是勾了之后在任意命令行窗口都能敲conda。这话没错，但要看前提：

如果这台机器是干净的，之前没装过任何 Python，勾上最省事，装完打开 cmd 直接能用。如果机器上已经有一个 Python 在跑项目，勾上就会改变python和pip的指向——原来pip install装的包进了系统 Python，现在进了 Anaconda，之前能跑的脚本可能因为找不到包而报 ImportError。这种「装完 Anaconda，老项目跑不了了」的情况，是我见过最多的翻车场景之一。

我的做法是：已经存在 Python 的机器，先不勾 PATH，装完之后用conda init显式接管。conda init做的事情是在 shell 配置文件里写一段初始化块，只影响它支持的那几个 shell，比直接改系统 PATH 可控，而且卸载的时候能把那段块干净地删掉。

:: 装完之后在 Anaconda Prompt 里执行，把 conda 初始化到 cmd 和 PowerShell conda init cmd.exe conda init powershell

conda init后面跟的是 shell 名字，执行完需要关掉终端重开才生效。它写入的是一段带标记的块，形如# >>> conda initialize >>>到# <<< conda initialize <<<，以后要撤销就执行conda init --reverse，比手工去环境变量面板里删靠谱得多。

提示：勾了 PATH 之后如果后悔，不用重装。去系统环境变量里把 Anaconda 相关的那几条删掉，再用conda init --reverse清一遍初始化块，重启终端即可。

3.5 首次启动：Navigator 打不开不代表装坏了

装完向导最后一步会问要不要打开 Navigator。Navigator 是个图形界面，第一次启动要初始化一堆前端组件，慢是正常的，白屏、转圈、闪退也偶有发生。这时候别急着判定安装失败，先用命令行验证一下基本功能：

:: 在 Anaconda Prompt 里跑，能出版本号说明核心装好了 conda --version conda info

conda --version输出 conda 自身的版本，conda info输出一屏环境信息，里面有 base 环境的路径、Python 版本、envs 目录列表、当前使用的 channel。这两条能正常输出，说明安装本身没问题，Navigator 起不来只是前端的事，可以用anaconda-navigator --reset重置一次配置再试，实在不行就用命令行，功能一点不少。

4. Linux 与 macOS 装 Anaconda3：sh 安装包与静默参数

服务器上装 Anaconda 基本都是无图形界面的，走命令行安装包。这一套流程和 Windows 向导差别很大，好处是可复制、可写进部署脚本，坏处是参数写错了不会有弹窗提醒你。

4.1 下载与校验

Linux 下拿到的是.sh文件，macOS 上既有.pkg也有.sh，服务器场景一律用.sh。下载完先算一遍校验值：

# 下载后校验，把输出和发布页给出的 sha256 对比 sha256sum Anaconda3-<版本>-Linux-x86_64.sh

macOS 上没有sha256sum，用shasum -a 256，参数含义一样。这一步在内网环境尤其重要，镜像同步不完整的情况下拿到的包，执行到一半报 tar 解压错误，排查起来比重下一次麻烦得多。

4.2 交互式安装和静默安装

最简单的装法是直接执行：

bash Anaconda3-<版本>-Linux-x86_64.sh

然后一路回车，中间会让你确认许可协议、确认安装路径。这种方式适合自己机器上手动装一次。但只要涉及批量部署、或者要写进自动化脚本，就得用静默参数：

# -b 批处理模式，-p 指定安装前缀目录，-f 强制覆盖已存在目录 bash Anaconda3-<版本>-Linux-x86_64.sh -b -p /opt/anaconda3 -f # 装完把 conda 初始化到 bash /opt/anaconda3/bin/conda init bash

三个参数逐个说：-b是 batch，跳过所有交互确认，自动接受许可协议；-p指定安装前缀，不写的话默认装到$HOME/anaconda3，服务器上多人共用时一般指到/opt/anaconda3这类公共目录；-f是 force，目标目录已存在时强制覆盖，重装的时候用，第一次装可以不加。

安装完成后 conda 的可执行文件在/opt/anaconda3/bin/conda，这时候直接敲conda是找不到的，因为 PATH 还没配。所以紧接着要跑conda init bash——注意这里用的是绝对路径调用，因为此刻 conda 还不在 PATH 上。这一步执行完，.bashrc末尾会多出一段初始化块，重新登录或者source ~/.bashrc之后conda命令才可用。

# 让初始化块立即生效，省得重开终端 source ~/.bashrc # 确认生效 conda --version

4.3 conda init 到底改了什么

很多人装完 Linux 版会疑惑：明明装成功了，为什么新开一个终端还是提示 conda 找不到？原因就是漏了conda init，或者跑了但没重新加载 shell 配置。

conda init bash往~/.bashrc里追加的内容大致是这样一段：

# >>> conda initialize >>> # !! Contents within this block are managed by 'conda init' !! __conda_setup="$('/opt/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)" if [ $? -eq 0 ]; then eval "$__conda_setup" else if [ -f "/opt/anaconda3/etc/profile.d/conda.sh" ]; then . "/opt/anaconda3/etc/profile.d/conda.sh" else export PATH="/opt/anaconda3/bin:$PATH" fi fi unset __conda_setup # <<< conda initialize <<<

这段逻辑是：先尝试执行 conda 的 shell hook，拿到环境变量设置；如果失败，回退到直接 sourceconda.sh；再不行就最粗暴地把bin目录塞进 PATH。三段降级设计是为了兼容不同版本的安装布局。你能看到它只影响当前 shell 的 PATH，不动系统级配置，这也是我推荐用它而不是手工改/etc/profile的原因——手工改的那份，卸载时十有八九会忘。

4.4 macOS 上的两个差异

macOS 装 Anaconda 有两处和 Linux 不一样，第一次装容易踩。

第一处是默认 shell。较新的 macOS 默认用 zsh，.bashrc根本不读，所以初始化命令要写成conda init zsh，写进的是~/.zshrc。如果你照着 Linux 的教程跑了conda init bash，然后发现新终端里还是找不到 conda，就是这个原因。不确定当前 shell 的话，echo $SHELL看一眼。

第二处是芯片架构。ARM64 架构的 Mac 要下-arm64.pkg或-arm64.sh，下成 x86_64 的包也能装，但跑起来要经过一层转译，某些带编译扩展的包（比如需要本地编译的数值库）装的时候会失败或者性能明显下降。下载页面上一般会按架构分好，实在不确定就在终端里跑uname -m，输出arm64就下 ARM 版，输出x86_64就下普通版。

# 确认芯片架构和当前 shell，再决定下哪个包、init 哪个 shell uname -m echo $SHELL

5. 装完先配四件事：conda 源、环境目录、首个环境与更新策略

装完能敲出conda --version只是及格线，真正决定这套环境好不好用的是装完之后的配置。这四件事我每次装完必做，顺序也是固定的：先配源，再迁目录，然后建第一个环境验证，最后定更新策略。

5.1 配 conda 源：改的是 .condarc，不是 pip 的配置

conda 的配置文件叫.condarc，放在用户主目录下（Windows 是C:\Users\<用户名>\.condarc），没有就自己建一个。这个文件是 YAML 格式，缩进敏感，写错一个空格 conda 就会报解析错误。

# ~/.condarc channels: - defaults show_channel_urls: true default_channels: - https://<镜像站域名>/anaconda/pkgs/main - https://<镜像站域名>/anaconda/pkgs/r custom_channels: conda-forge: https://<镜像站域名>/anaconda/cloud ssl_verify: true remote_read_timeout_secs: 120 remote_connect_timeout_secs: 30

channels决定搜索包的顺序，defaults是官方默认频道。show_channel_urls: true让conda install的输出里显示每个包来自哪个频道，排查版本冲突时非常有用。default_channels和custom_channels把官方地址替换成镜像地址，具体域名换成你实际能访问的那个就行，不同网络环境下可用的站不一样，我一般先ping一下再填。ssl_verify保持true，除非内网镜像是自签证书且你清楚风险。最后两个超时参数是我自己加的，默认值在网络抖动时容易直接失败，调到 120 秒之后conda install的成功率明显高一些。

改完用这条确认一下有没有生效：

conda config --show channels conda config --show default_channels

注意.condarc只管 conda，不管 pip。pip 的源要单独在pip.ini（Windows）或~/.pip/pip.conf（Linux/macOS）里配，两套配置互不相干，别以为改了.condarc之后pip install也会走镜像。

5.2 迁环境目录和包缓存目录

默认情况下，envs和pkgs都在安装目录下面。装在系统盘、或者多人共用一台机器时，这两个目录会迅速膨胀。把它们挪到数据盘是装完就该做的事：

# 新增环境目录和包缓存目录，注意用 --append，别覆盖默认项 conda config --append envs_dirs /data/conda/envs conda config --append pkgs_dirs /data/conda/pkgs # 确认写入结果 conda config --show envs_dirs conda config --show pkgs_dirs

这里用--append而不是--add：--add会把新目录插到列表最前面，导致以后建环境默认都落在新目录，而原有的 base 环境还在老位置，conda env list看起来会很乱。--append是加到末尾，新环境仍然优先建在默认位置。如果你就是想让新环境直接落到数据盘，那就用--add，但心里要清楚这个差别。

对应的.condarc内容是这样：

envs_dirs: - /opt/anaconda3/envs - /data/conda/envs pkgs_dirs: - /opt/anaconda3/pkgs - /data/conda/pkgs

列表第一个是默认位置，conda 建环境时按顺序找第一个可写的目录。多用户机器上，把/data/conda的组权限设成可写，普通用户就不用每次装包都找管理员了。

5.3 建第一个环境，把依赖锁进文件

装完之后别急着在 base 环境里装东西。base 环境一旦被搞乱，修起来比重装还麻烦。正确做法是每个项目一个独立环境：

# 建一个带 Python 和常用库的环境 conda create -n demo python=3.11 numpy pandas jupyter -y # 激活 conda activate demo # 确认当前环境用的是哪个 python which python # 把依赖导出成文件，方便换机器复现 conda env export > environment.yml

conda create后面的包名可以一次写多个，conda 会统一求解依赖，比一个个装更不容易冲突。conda activate之后which python应该指向envs/demo/bin/python，如果还指向 base，说明激活没生效，检查一下 shell 有没有正确初始化。最后那句conda env export会把当前环境的完整依赖（包括精确版本号和 channel）写进 yml，换机器时conda env create -f environment.yml就能复现出来。

注意：导出的 yml 里带prefix:那一行记录的是绝对路径，换机器前删掉，否则会尝试装到同一个路径下。

5.4 conda update anaconda 该不该跑

原文里提到用conda update anaconda保持组件最新，这条命令本身没错，但什么时候跑有讲究。

conda update anaconda升级的是anaconda这个元包，它会连带把 base 环境里几百个预装库一起往新版推。跑一次可能升几百个包，耗时很长，而且有一定概率把某个库升到和现有代码不兼容的版本。我的习惯是：装完的头几周不跑，等环境稳定了、确认现有项目都能跑之后再考虑。日常维护用conda update conda单独升包管理器就够了，真正需要升某个库的时候，针对性地conda update numpy比整体升级安全得多。

# 日常维护：只升级包管理器本身 conda update conda -y # 清理不再使用的包缓存，腾空间，装完环境后定期跑 conda clean -a -y

conda clean -a的-a是 all，会清掉索引缓存、未使用的包压缩包和解压副本。跑之前确认没有正在进行的安装，清完之后下次装包会重新下载，所以别装完立刻清，等一段时间再清更划算。

6. 避坑清单：anaconda 安装与首配阶段最常翻车的 5 个地方

前面几章是按正确路径走的，这一章按故障现象倒着写。这五条是我这些年被问得最多的，按发生阶段分成装的过程中和装完之后两类。

6.1 装的过程中翻车的三条

现象一：装完打开 cmd 敲conda，提示「不是内部或外部命令」。

原因：安装向导里的 PATH 复选框没勾，或者勾了但没重开终端。也有一种情况是勾了 PATH，但系统里另有一个更高优先级的 Python 目录，把 conda 挡住了。

解决：先确认安装目录在不在，直接去C:\Users\<用户名>\anaconda3\Scripts下面看有没有conda.exe。有的话，打开 Anaconda Prompt 跑conda init cmd.exe和conda init powershell，重开终端再试。如果是被别的目录挡住，去环境变量面板把 Anaconda 的两条路径（安装根目录和 Scripts）上移到最前。

现象二：安装到一半报错退出，提示无法解压或者找不到某个文件。

原因：多见于安装包下载不完整，或者安装路径里有中文、空格，再或者杀毒软件在解压过程中锁住了文件。

解决：先按 3.1 的方法校验哈希，对不上就重下。哈希对得上就把安装包挪到纯英文无空格路径重试，安装过程中临时关掉杀毒软件的实时防护。还不行就换一个更早月份的发行版试试，极少数情况是新版包和当前系统版本不兼容。

现象三：Linux 上静默安装跑完了，conda命令依然找不到。

原因：-b批处理模式不会自动帮你改 shell 配置，装完只是把文件放到位，PATH 还是老样子。

解决：用绝对路径跑一次conda init，然后source对应的配置文件。如果用的是 zsh 却跑了conda init bash，改过来重跑一次就行，两段配置可以共存，不冲突。

6.2 装完之后才发作的两条

现象四：conda install卡在 Solving environment 十几分钟不动。

原因：channel 配置混乱是主因——默认 channel 和 conda-forge 混着用，包版本一多，求解器要枚举的组合就爆炸。其次是 conda 版本太旧，老求解器效率差。再其次是镜像源响应慢，一直在等超时。

解决：先conda update conda把求解器升上去。再检查.condarc，把channel_priority设成strict，明确告诉 conda 优先用排在前面的频道，别在多个频道之间反复横跳。实在解不出来就加--override-channels -c <单个频道>限定范围，牺牲一点灵活性换速度。

# ~/.condarc 里加这一行 channel_priority: strict

现象五：装完 Anaconda 之后，原来能跑的老项目报 ImportError，说找不到某个包。

原因：python和pip的指向被 Anaconda 接管了，但老项目的依赖装在系统 Python 里，两边不是同一个解释器。这种情况几乎都发生在安装时勾了 PATH 的机器上。

解决：别去动老项目的代码，先把 Anaconda 从 PATH 里摘出来，恢复系统 Python 的优先级，需要 conda 的时候用 Anaconda Prompt 或者每次conda activate。长期方案是把老项目的依赖也用 conda 建一个环境装一遍，pip freeze导出后对照着装，从此两边彻底隔离。

7. 装完怎么验证跑通：四条命令加一次真实跑批

装完能敲出版本号，只能说明可执行文件到位了，离「真的能用」还差一步。我验证一套新装的 Anaconda 环境，固定走四步，从浅到深，任何一步不对就停在那里排查，不往下走。

前两条前面提过，重点说后两条。which python这一条很多人忽略，但它能一次性暴露激活失败、PATH 顺序错乱、多个 Python 打架这三类问题——激活之后指向的还是/usr/bin/python，说明 conda 的激活根本没起作用，后面装的所有包都会进错地方。Windows 下把which换成where。

第四条是真正跑一次计算，光导入还不够，我一般会写个小脚本验证数值库能正常算：

# smoke_test.py：验证环境里的数值库能真正参与计算 import numpy as np import pandas as pd # 造一个 100x5 的随机矩阵，模拟常见的表格数据场景 data = np.random.rand(100, 5) df = pd.DataFrame(data, columns=[f"col_{i}" for i in range(5)]) # 做一次聚合，确认 pandas 的底层计算链路是通的 summary = df.describe().loc[["mean", "std"]] print(summary.round(4)) print("numpy:", np.__version__, "pandas:", pd.__version__)

这个脚本不长，但覆盖了三条链路：numpy 的随机数生成、pandas 的 DataFrame 构造和聚合、以及两者之间的版本协作。有些环境里 numpy 装上了但底层 BLAS 库缺失，import能过，一算就崩，这种只有真正跑一次计算才能暴露出来。执行方式是在激活环境后跑python smoke_test.py，能打印出两行统计结果和版本号，就算彻底跑通了。

最后一步验证的是环境可复现性，这条对需要在多台机器上部署的人尤其重要：

# 导出依赖，然后在另一个干净环境里照着装一遍 conda env export --no-builds > environment.yml conda env create -f environment.yml -n demo-restore

--no-builds会去掉包名后面那串构建标识，让 yml 在不同平台上更容易复用。如果这一步能在另一台机器上从零建出一样的环境，说明你这套安装和配置是完整闭环的，而不是只在当前这台机器上恰好能用。

从那以后我每次装完 Anaconda，不管多急，都会把which python和那个小脚本强制走一遍——因为环境这东西最坑的地方不是装不上，是装上了但只有一半能用，等到项目跑到一半才发现，返工成本比一开始多花十分钟高得多。希望帮到你。

本文还有配套的精品资源，点击获取