在uv项目中配置不同依赖组的自定义源
2025-05-01 22:38:15作者:俞予舒Fleming
在Python项目开发中,我们经常需要根据不同的环境或需求使用不同的依赖版本。uv项目提供了一种灵活的方式来管理这种情况,通过dependency-groups和自定义源配置,可以轻松实现不同依赖组的差异化管理。
依赖组与自定义源的基本概念
依赖组(dependency-groups)是uv项目中用来组织不同环境或场景下所需依赖的一种方式。例如,你可能有一个用于CUDA环境的依赖组和一个用于普通CPU环境的依赖组。每个组可以包含不同的包版本或完全不同的包。
自定义源(tool.uv.sources)则允许你为特定包指定非标准的安装来源,比如从私有Git仓库或本地wheel文件安装。
配置示例解析
让我们看一个实际的配置示例:
[dependency-groups]
cuda = [
"torch>=2.6.0",
"megatron-core",
]
custom = [
"torch",
"megatron-core",
]
[tool.uv]
conflicts = [
[
{ group = "cuda" },
{ group = "custom" },
],
]
[tool.uv.sources]
megatron-core = [
{ git = "https://github.com/NVIDIA/Megatron-LM", tag = "core_r0.8.0", group = "cuda" },
{ git = "http://xxx.git/", branch = "main", group = "custom" },
]
torch = { url = "http://xxx.whl/", group = "custom" }
这个配置展示了如何:
- 定义两个依赖组:
cuda和custom - 声明这两个组是互斥的(通过conflicts配置)
- 为不同组中的相同包指定不同的安装源
关键配置项说明
-
dependency-groups:定义不同的依赖集合
- 每个组名作为键,组内依赖列表作为值
- 可以指定版本约束(如
torch>=2.6.0)
-
tool.uv.conflicts:声明哪些依赖组不能同时使用
- 这是一个安全机制,防止意外混合不兼容的依赖
-
tool.uv.sources:自定义包安装源
- 可以为不同组指定不同的源
- 使用
group参数关联到特定依赖组 - 支持多种源类型:Git仓库、本地wheel文件等
常见问题与解决方案
-
错误使用extra参数:
- 最初尝试使用
extra参数会导致错误,因为extra专用于optional-dependencies - 正确做法是使用
group参数关联到依赖组
- 最初尝试使用
-
依赖组冲突:
- 如果不声明conflicts,可能会意外混合不兼容的依赖
- 建议为互斥的依赖组明确声明冲突关系
-
源优先级:
- 当多个源匹配时,uv会使用最具体的匹配
- 带有
group约束的源比通用源优先级高
最佳实践建议
-
命名规范:
- 为依赖组使用描述性名称,如
cuda、cpu-only等 - 避免使用过于通用的名称
- 为依赖组使用描述性名称,如
-
文档记录:
- 在项目文档中说明每个依赖组的用途
- 记录不同环境下的推荐配置
-
测试验证:
- 为每个依赖组创建独立的测试环境
- 验证依赖组合的正确性和兼容性
-
渐进式迁移:
- 对于现有项目,可以逐步引入依赖组
- 先从最需要差异化的包开始
通过合理使用uv的依赖组和自定义源功能,可以大大简化多环境Python项目的依赖管理,提高开发效率和项目可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.2 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
661