conda update --all 并非一键操作，常因权限不足、网络限制或依赖冲突卡在“solving environment”阶段；需先以管理员/sudo权限运行、切换清华等国内镜像源、关闭jupyter等占用进程，再按 conda update conda → conda update anaconda → conda update --all 顺序执行。
conda update --all 是最直接的方式，但它不是“点一下就完事”的操作——多数人卡在权限、网络或依赖冲突上，而不是命令本身。
为什么 conda update --all 经常卡住或失败
根本原因不是命令写错了，而是 conda 在解析所有包的依赖关系时，会尝试满足「全局一致性」：即每个包的新版本必须能同时共存。一旦某个库（比如 numpy 和 scipy）的最新版不兼容，conda 就会回退、降级甚至停在「Solving environment」阶段不动。
常见现象包括：
- 终端长时间卡在
Solving environment: \或反复打印Collecting package metadata - 报错信息里出现
UnsatisfiableError或PackageNotFoundError - 更新后
jupyter notebook启动失败，或import torch报ImportError: DLL load failed（Windows）
执行前必须做的三件事
跳过这三步，大概率白等 10 分钟然后重装环境。
- 用管理员权限运行
Anaconda Prompt（Windows）或sudo权限（macOS/Linux），否则可能因写入权限不足中断更新 - 先换国内镜像源，尤其是清华源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --set show_channel_urls yes - 关闭所有正在运行的 Python 工具：Jupyter Lab/Notebook、Spyder、VS Code 的 Python 进程（它们会锁住某些 DLL 或 .so 文件）
conda update --all 和 conda update anaconda 的区别
这是最容易混淆的点：conda update --all 更新当前环境中所有可更新的包（含 numpy、pandas、matplotlib 等），但不会强制升级 conda 自身或改变 Python 版本；而 conda update anaconda 是升级「Anaconda 发行版元包」，它会按官方推荐组合拉取一批经过测试的版本，更保守，但可能跳过一些你手动装的第三方包（如 lightgbm）。
建议顺序是：
- 先运行
conda update conda（确保包管理器最新） - 再运行
conda update anaconda（稳住基础栈） - 最后才跑
conda update --all（激进更新，适合干净环境）
如果只想更新科学计算核心包，可以：conda update numpy pandas scipy scikit-learn matplotlib seaborn
更新失败后怎么救回来
别急着删环境。先检查 conda list 输出里有没有带 <unknown></unknown> 或 custom 版本号的包——那是 conda 为解依赖强行塞进去的“兜底版本”，往往就是问题源头。
- 导出当前状态：
conda env export > env_broken.yaml - 回退到上一个可用快照（如果有）：
conda env update -f env_backup.yaml --prune - 或者新建干净环境：
conda create -n py39-new python=3.9，再只装真正需要的包
真正复杂的地方在于：conda 不会告诉你哪个包触发了冲突，它只报“整体不可满足”。所以日常开发中，用 conda env create -f environment.yml 固化依赖，比盲目 --all 更可靠。
