conda create -n my_ai_env python=3.10 -y
conda activate my_ai_env
#把 uv 请进来（代替普通的 pip）
conda install -c conda-forge uv -y
# 安装 vLLM 或其他重型库
uv pip install vllm --torch-backend auto
为什么系统装了 uv 对 Conda 更有利？
缓存共享：你在 Conda 环境 A 里装过的包，如果环境 B 也要用，uv 会直接从全局缓存里链接过去，0 秒完成安装，且不占双倍硬盘空间。1
不污染环境：通过 uv pip 安装的包，Conda 依然能感知到（通过 conda list 可以看到它们，通常标注为 pypi 来源）。2
极致性能：在处理 vLLM 这种动辄几个 GB 的重型依赖时，全局 uv 的并行下载速度能直接跑满你的带宽。
uv 处理 PyTorch 与 CUDA 兼容性问题主要有两种方式：一种是全自动检测（推荐），另一种是手动指定索引（更稳定）。
1. 自动检测（最推荐：--torch-backend auto）
这是 uv 的杀手锏功能。当你使用以下命令时：
bash
uv pip install torch --torch-backend auto
请谨慎使用此类代码。
原理：uv 会自动扫描你的本地环境（通过 nvidia-smi 或驱动版本），检测当前显卡支持的最高 CUDA 版本。
动作：它会自动从 PyTorch 的官方仓库（如 download.pytorch.org）匹配并下载对应的构建版本（如 +cu121 或 +cu124），无需你手动查表。
2. 手动指定官方索引（针对特定版本需求）
如果你需要安装特定版本的 CUDA（例如系统驱动较老），可以使用 --index-url：
bash
# 安装适配 CUDA 12.1 的版本
uv pip install torch --index-url https://download.pytorch.org/whl/cu121
请谨慎使用此类代码。
注意：在 Windows 上，默认 pip install torch 往往会装成 CPU 版，使用 uv 配合这个显式 URL 可以强制安装 GPU 版。
3. 在配置文件中永久锁定（适合项目管理）
如果你在使用 pyproject.toml 管理项目，可以在文件中配置 tool.uv.index，确保团队所有成员装的都是同一个 CUDA 版本：
toml
[[tool.uv.index]]
name = "pytorch-cu124"
url = "https://download.pytorch.org/whl/cu124"
explicit = true # 确保只有 torch 相关包走这个索引
请谨慎使用此类代码。
4. 解决“环境污染”：Conda 与 uv 的分工
由于 uv 无法安装系统级的 CUDA 驱动（Driver），最稳健的配合是：
Conda 负责：安装底层的 cudatoolkit 或 nvidia/label/cuda-xx.x。
uv 负责：利用 Conda 提供的环境，通过 uv pip install 瞬间拉取匹配的 Python 库。
总结建议：直接尝试 uv pip install torch --torch-backend auto。如果由于多显卡或 WSL2 环境导致自动检测失败，再退回到手动指定 --index-url 的方案。