环境和版本不匹配是照搬教程代码失败的核心原因，涉及python解释器路径混乱、小版本语法差异、依赖包冲突及ide环境隔离等问题。
照搬教程代码大概率会失败，核心原因不是你写错了，而是环境和版本不匹配。
为什么 pip install requests 后 import requests 还报错？
常见现象：教程里一行安装命令跑完，下一秒 import 就提示 ModuleNotFoundError。根本原因往往是 Python 环境混乱——你用的是系统自带的 Python、pyenv 管理的某个版本、conda 环境，还是 IDE 自带的解释器？它们彼此隔离，pip install 默认只装到当前终端激活的环境里。
- 检查当前 Python 解释器路径：
which python（macOS/Linux）或where python（Windows） - 确认 pip 对应的 Python：
pip -V输出里必须包含和which python一致的路径 - IDE（如 PyCharm、VS Code）可能默认使用虚拟环境或内置解释器，需在设置里手动指定已安装
requests的环境 - Mac 用户尤其注意：系统自带的
/usr/bin/python3通常禁用 pip，强行装会失败或装到奇怪位置
python3.9 能跑 asyncio.run()，但 python3.6 不行
Python 小版本差异直接影响语法可用性。教程若没注明 Python 版本，直接复制粘贴高版本特性，低版本解释器会直接报 SyntaxError 或 AttributeError。
-
asyncio.run()是 Python 3.7+ 才引入的，3.6 只能用loop.run_until_complete() -
dict保持插入顺序是 3.7+ 的保证，3.6 及以前是偶然行为，不能依赖 - 用
python --version确认实际运行版本，别信终端提示符里的 “py39” 字样 - 项目根目录加
pyproject.toml或runtime.txt显式声明最低支持版本，避免部署时踩坑
tensorflow==2.15.0 和 torch==2.0.1 能共存吗？
不能简单看是否“同时装得上”，要看底层依赖是否冲突。比如两者都依赖 numpy，但要求的版本范围重叠不了，或者一个要 cudatoolkit=11.8，另一个只认 12.1，pip 就会回退、报错甚至静默降级出问题版本。
- 优先用虚拟环境隔离：
python -m venv tf-env和python -m venv torch-env分开管理 - 安装前先看官方兼容矩阵：TensorFlow 文档里有明确标注支持的 Python 和 CUDA 版本；PyTorch 官网下载页会按
pip/conda、CUDA 版本分发不同安装命令 - 避免混用
pip和conda安装同一生态的包（如用 conda 装了numpy，再用 pip 覆盖安装，容易破坏依赖链） -
pip check可检测已安装包之间的依赖冲突，但不会预测未来安装行为
版本适配不是“选对一个组合就一劳永逸”的事，而是每次换机器、换 IDE、甚至升级系统后都要重新验证的环节。最省事的方式，是把 python --version、pip list 和关键包的 __version__ 都写进 README 开头，让别人（和未来的你）一眼看清运行边界。
