- pip là công cụ chuẩn để cài gói từ PyPI, có sẵn trong hầu hết bản cài Python; đi cùng venv của thư viện chuẩn để tạo môi trường ảo.
- conda quản lý gói, phụ thuộc và môi trường cho mọi ngôn ngữ; hướng dẫn chính thức của Python gợi ý xem xét conda cho phần mềm khoa học.
- Điều khoản Anaconda: dùng miễn phí cho cá nhân phi thương mại, trường học, tổ chức phi lợi nhuận và công ty từ 200 người trở xuống; công ty lớn hơn phải mua gói.
- uv tự giới thiệu là một công cụ thay pip, pip-tools, pipx, poetry, pyenv, virtualenv, có tệp khóa uv.lock để cài lại y hệt; dù chọn gì, hãy ghim phiên bản.
Code trong bài là Python, chỉ dùng thư viện chuẩn; phần kiểm dùng thêm thư viện packaging bản 26.3. Tệp requirements.txt mẫu là giả lập.
Ba công cụ giải cùng một bài toán
Dự án AI nào cũng dựa vào nhiều thư viện: numpy, pandas, PyTorch hay TensorFlow, thư viện gọi API. Mỗi dự án cần một bộ phiên bản riêng, và bộ đó không được đụng vào dự án khác hay vào Python của hệ thống. Vì vậy cần hai thứ: một môi trường ảo cho từng dự án, và một công cụ cài gói vào môi trường đó. pip, conda và uv đều giải bài toán này, theo ba cách khác nhau.
pip và venv: cách chuẩn
Hướng dẫn chọn công cụ của Python Packaging User Guide ghi pip là công cụ chuẩn để cài gói từ PyPI, và pip có sẵn trong hầu hết bản cài Python. Để tạo môi trường ảo, công cụ chuẩn là venv (có sẵn trong thư viện chuẩn) và virtualenv. Bài chạy dự án AI từ GitHub đã hướng dẫn từng lệnh: tạo .venv, kích hoạt, cài từ requirements.txt.
Ưu điểm lớn nhất của pip là có mặt ở mọi nơi: mọi hướng dẫn, mọi máy có Python. Nhược điểm: pip chỉ cài gói Python; nó không cài được bản Python khác, và không tự ghi lại chính xác bộ phiên bản đã cài, trừ khi bạn tự ghim trong requirements.txt.
conda: gói cho mọi ngôn ngữ
Tài liệu conda giới thiệu conda cung cấp quản lý gói, phụ thuộc và môi trường cho mọi ngôn ngữ. Khác với pip, conda cài được cả những thứ không phải Python mà thư viện khoa học cần, và cài được chính Python. Hướng dẫn của Python Packaging cũng ghi: riêng với phần mềm khoa học, hãy cân nhắc conda hoặc Spack.
conda lấy gói từ các kênh. Tài liệu ghi mặc định conda tìm trong các kênh mặc định; muốn lấy từ kênh khác như conda-forge thì chỉ rõ, ví dụ conda install conda-forge::numpy. Điều này quan trọng vì chuyện điều khoản dưới đây.
Điều khoản dịch vụ của Anaconda, công ty đứng sau bản phân phối Anaconda và các kênh mặc định, ghi rõ khi nào được dùng miễn phí: cá nhân dùng cho mục đích riêng, phi thương mại; dùng thay mặt một cơ sở giáo dục đủ điều kiện; tổ chức phi lợi nhuận và nghiên cứu đủ điều kiện; hoặc công ty vì lợi nhuận có từ 200 nhân viên và người làm hợp đồng trở xuống. Công ty trên 200 người không thuộc các trường hợp trên phải mua gói Business. Với sinh viên tự học, thường nằm trong trường hợp miễn phí; khi đi thực tập hay đi làm, hãy hỏi bộ phận kỹ thuật của công ty dùng kênh nào.
uv: một công cụ cho tất cả
Trang chủ tài liệu uv giới thiệu uv là một công cụ thay cho pip, pip-tools, pipx, poetry, pyenv, twine, virtualenv và nhiều công cụ khác; trang tự ghi uv nhanh hơn pip từ 10 tới 100 lần, đây là số do chính nhà phát triển đưa ra. uv quản lý cả dự án với một tệp khóa dùng chung cho mọi hệ điều hành, và cài được nhiều bản Python. Dự án uv phát hành theo giấy phép MIT hoặc Apache 2.0; bản mới nhất ngày đọc là 0.13.7.
Tài liệu về khóa và đồng bộ giải thích: khóa là tìm ra bộ phiên bản cụ thể thỏa mọi yêu cầu và ghi vào uv.lock; đồng bộ là cài đúng các gói trong tệp khóa vào môi trường dự án. Khi bạn dùng tùy chọn yêu cầu tệp khóa phải cập nhật, uv báo lỗi thay vì tự sửa tệp khóa. Nhờ vậy, người khác clone dự án và đồng bộ sẽ có đúng bộ phiên bản bạn đã dùng.
uv cũng có giao diện kiểu pip (uv pip install), nên bạn có thể dùng nó như một pip nhanh hơn mà không đổi cách làm.
Ghim phiên bản: điều quan trọng hơn chọn công cụ
Một dự án AI chạy được hôm nay có thể không cài lại được sau ba tháng, vì một thư viện ra bản mới đổi cách hoạt động. Bài PyTorch hay TensorFlow đã cho thấy chỉ riêng bản Python cũng quyết định có gói cài hay không. Cách phòng là ghi chính xác phiên bản: với pip là == trong requirements.txt, với uv là tệp uv.lock, với conda là tệp mô tả môi trường có ghi phiên bản.
Đoạn Python dưới đây đọc một tệp requirements.txt và phân mỗi gói vào một trong ba loại: GHIM (đúng một phiên bản, như torch==2.15.0), KHOẢNG (như numpy>=2.0,<3, bản cài sẽ khác theo thời gian) và NGỎ (chỉ có tên, cài bản mới nhất lúc chạy). Nó bỏ qua dòng chú thích và dòng tùy chọn như -r, và tách riêng điều kiện môi trường sau dấu chấm phẩy.
"""Soát tệp requirements.txt: gói nào đã ghim đúng một phiên bản, gói nào còn để ngỏ.
Dù dùng pip, conda hay uv, muốn dự án AI chạy lại được trên máy khác thì phải biết chính xác
đã cài phiên bản nào. Trong requirements.txt:
torch==2.15.0 -> GHIM: luôn cài đúng bản này
numpy>=2.0,<3 -> KHOẢNG: bản cài sẽ khác nhau theo thời gian
pandas -> NGỎ: cài bản mới nhất lúc chạy lệnh
Chương trình bỏ qua dòng trống, chú thích (#...), và dòng tùy chọn bắt đầu bằng "-" (như -r, -e).
Phần sau dấu ";" (điều kiện môi trường, ví dụ ; sys_platform == "win32") được tách riêng.
Tệp mẫu bên dưới là giả lập. Chỉ dùng thư viện chuẩn.
"""
import re
TEN = re.compile(r"^([A-Za-z0-9][A-Za-z0-9._-]*)(\[[^\]]*\])?\s*(.*)$")
def chuan_ten(ten):
"""Tên gói so sánh không phân biệt hoa thường và coi -, _, . là một (theo quy ước PyPI)."""
return re.sub(r"[-_.]+", "-", ten).lower()
def doc_dong(dong):
"""Trả về (ten_chuan, rang_buoc, dieu_kien) hoặc None nếu dòng không khai báo gói."""
dong = dong.split(" #", 1)[0].strip()
if not dong or dong.startswith(("#", "-")):
return None
dong, _, dieu_kien = dong.partition(";")
m = TEN.match(dong.strip())
if not m:
raise ValueError("không đọc được dòng: " + dong)
rang_buoc = m.group(3).replace(" ", "")
return chuan_ten(m.group(1)), rang_buoc, dieu_kien.strip()
def loai(rang_buoc):
phan = [p for p in rang_buoc.split(",") if p]
if len(phan) == 1 and phan[0].startswith("==") and "*" not in phan[0]:
return "GHIM"
return "KHOẢNG" if phan else "NGỎ"
def soat(van_ban):
ket_qua = []
for dong in van_ban.splitlines():
d = doc_dong(dong)
if d:
ten, rb, dk = d
ket_qua.append((ten, loai(rb), rb, dk))
return ket_qua
MAU = """# Thư viện cho đồ án phân loại ảnh
torch==2.15.0
numpy>=2.0,<3
pandas
Pillow ==13.0.0 # xử lý ảnh
scikit_learn~=1.7
-r requirements-dev.txt
pywin32==311 ; sys_platform == "win32"
"""
if __name__ == "__main__":
kq = soat(MAU)
for ten, l, rb, dk in kq:
print(f"{l:7} {ten:14} {rb or '(không ràng buộc)'}{' khi ' + dk if dk else ''}")
chua = [t for t, l, _, _ in kq if l != "GHIM"]
print(f"{len(kq) - len(chua)}/{len(kq)} gói đã ghim; chưa ghim: {', '.join(chua)}")
Với tệp mẫu của một đồ án phân loại ảnh, chương trình tìm 6 gói: 3 gói đã ghim là torch, pillow và pywin32 (chỉ cài trên Windows), còn numpy, pandas và scikit-learn chưa ghim. Tên gói được đưa về dạng chuẩn, nên Pillow và scikit_learn trong tệp thành pillow và scikit-learn. Phần kiểm đi kèm so mọi dòng với thư viện packaging, thư viện mà pip dùng để đọc yêu cầu gói: tên chuẩn, tập ràng buộc phiên bản và điều kiện môi trường đều phải khớp, trên tệp mẫu và tám dòng khó hơn như jax[cuda12]>=0.7,!=0.7.1.
Chọn theo hoàn cảnh
- Mới học Python, làm bài tập: pip với venv. Đây là kiến thức nền bạn gặp ở mọi nơi.
- Giáo trình hay lớp học dùng conda: theo giáo trình; nhớ điều khoản Anaconda khi dùng ở công ty.
- Dự án nhóm cần cài lại y hệt trên nhiều máy: uv với tệp khóa, hoặc pip với requirements.txt đã ghim hết.
- Cần thư viện khoa học có thành phần không phải Python khó cài bằng pip: conda.
- Đã quen pip nhưng muốn nhanh hơn: dùng giao diện pip của uv.
Trong một dự án, nên thống nhất một cách cài, để lúc có lỗi bạn biết mỗi gói đến từ đâu và cài bằng gì.
Một quy trình gọn cho đồ án
Đầu đồ án, cả nhóm thống nhất một công cụ và một bản Python, ghi vào README. Người tạo dự án cài thư viện, chạy được ví dụ nhỏ nhất, rồi ghim phiên bản: xuất danh sách đã cài vào requirements.txt, hoặc commit tệp uv.lock. Chạy đoạn Python soát ở trên để chắc không còn gói ngỏ. Các bạn khác clone về, tạo môi trường mới, cài từ tệp đã ghim. Khi cần nâng một thư viện, một người nâng, chạy lại kiểm thử, rồi cập nhật tệp ghim cho cả nhóm, thay vì mỗi người tự cài bản mới.
- Cài thư viện thẳng vào Python của hệ thống thay vì môi trường ảo.
- Để requirements.txt chỉ có tên gói, không phiên bản, cho dự án cần chạy lại.
- Mỗi người trong nhóm cài bằng một công cụ khác nhau cho cùng một dự án.
- Dùng kênh mặc định của Anaconda ở công ty trên 200 người mà chưa hỏi về điều khoản.
- Tin số đo tốc độ do nhà phát triển đưa ra mà không thử trên máy của mình.
Câu hỏi thường gặp
Người mới nên dùng pip hay conda?
pip với venv là cách chuẩn có sẵn; dùng conda khi giáo trình yêu cầu hay cần phần mềm khoa học.
uv có thay được pip không?
uv có giao diện kiểu pip và tự giới thiệu là thay được pip cùng nhiều công cụ khác.
Anaconda có miễn phí không?
Miễn phí cho cá nhân phi thương mại, trường học và công ty từ 200 người trở xuống.
Vì sao phải ghim phiên bản thư viện?
Để dự án cài lại được y hệt trên máy khác và sau nhiều tháng.
Học tiếp
Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.
Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.
Nguồn tham khảo
- Python Packaging User Guide: Tool recommendations (đọc 12/11/2026)
- conda Documentation (bản 26.10.0 ngày 6/11/2026)
- conda: Getting started (kênh và conda-forge)
- Anaconda: Terms of Service
- uv Documentation (bản 0.13.7 ngày 3/11/2026)
- uv Docs: Locking and syncing
- packaging (thư viện Python dùng trong phần kiểm code, bản 26.3)


