uv比pip快的根本原因是绕开三件慢事：不执行setup.py（直接读pyproject.toml静态声明）、不串行下载（三组任务并行）、不重复解析依赖（缓存元数据和依赖图）。
uv 比 pip 快，根本原因不是“优化得好”，而是绕开了 pip 不得不做的三件慢事：执行 setup.py、串行下载、重复解析依赖。
为什么 uv 不会卡在 Running setup.py 上
pip 安装源码包（.tar.gz）时，必须下载后执行 setup.py 或 pyproject.toml 中定义的构建后端（如 setuptools.build_meta），才能知道它到底依赖什么。这个过程既慢又不安全——你无法预判脚本里写了什么。
uv 直接读取 pyproject.toml 里的静态声明：[project.dependencies] 和 [build-system]。只要项目遵循 PEP 621（2020 年起主流工具默认启用），uv 就跳过执行环节，秒级拿到依赖树。
常见错误现象：ModuleNotFoundError: No module named 'setuptools' 或长时间卡在 Running setup.py，本质就是 pip 在等构建脚本跑完。uv 根本不会触发这类报错。
容易踩的坑：
- 旧项目还在用
setup.py？uv 会 fallback 到兼容模式，速度优势大幅缩水 - 迁移只需两步：删掉
setup.py，把依赖声明移到pyproject.toml的[project.dependencies]下
为什么 uv 下载和安装不排队
pip 是严格串行的：下载 A → 解压 A → 安装 A → 下载 B → ……。每个环节都阻塞后续，网络空闲、CPU 空转是常态。
uv 把流程拆成三组并行任务：同时下载多个包、同时验证元数据、同时写入环境。实测安装 numpy pandas scikit-learn，uv 耗时稳定在 2–8 秒，pip 通常 20–45 秒。
使用场景：CI 环境（如 GitHub Actions）默认限制并发 TCP 连接数（常为 10），这时 uv 的并行优势会被压制，但依然比 pip 快——因为 pip 的串行逻辑无法绕过。
参数差异：
- uv 默认并发数 = CPU 核心数 × 2，可用
--jobs手动调低：uv pip install -r requirements.txt --jobs 4 - pip 的
--retries和--timeout在 uv 里不存在；uv 用更激进的重试策略 + 连接池管理
为什么第二次安装快得像没联网
pip 缓存（~/.cache/pip）只存 .whl 文件，每次 install 都要重新解析依赖、检查版本兼容性、求解器跑一遍。
uv 缓存（~/.cache/uv）额外存了两样东西：HTTP 响应头 + 包元数据和解析后的依赖图快照。第二次装同一个 requirements.txt，uv 直接跳过所有网络请求和求解步骤，几秒内完成同步。
使用场景：你在本地维护 5 个 Django 项目，都依赖 django==4.2.20 和 psycopg2-binary。pip 会在每个 venv 里重复下载、解压、安装；uv 只下载一次、验证一次，其余项目直接硬链接复用。
容易踩的坑：缓存是全局共享的，但不同 Python 版本的依赖副本彼此隔离。如果你混用 python3.11 和 python3.12，它们的包缓存不互通。
真正难的不是换工具，而是让整个团队的 pyproject.toml 都符合 PEP 621——否则 uv 只能降级回 pip 的老路子。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
