Quản lý môi trường Python bằng uv thay cho venv và pip

Ai từng làm việc với Python chắc hẳn đều quen với câu "nhưng máy tôi chạy được mà". Một dự án hoạt động hoàn hảo vài tháng trước bỗng dưng lỗi khi import, ta cài thêm gói còn thiếu thì một chỗ khác lại hỏng, hoặc nâng cấp thư viện cho dự án mới khiến dự án cũ không còn chạy được. Những vấn đề môi trường như vậy ngốn thời gian nhiều hơn lập trình viên muốn thừa nhận.

venv và pip là bộ đôi quen thuộc, nhưng việc duy trì chúng khá vất vả. Công cụ uv của Astral đưa toàn bộ quy trình này vào một chỗ, giúp không gian làm việc dễ bảo trì và dễ tái tạo hơn.

Môi trường ảo Python giúp tách biệt phụ thuộc giữa các dự án

Vì sao cần môi trường ảo

Hãy hình dung hai dự án khoa học dữ liệu. Dự án A dùng phiên bản pandas cũ vì pipeline phân tích phụ thuộc vào nó, còn dự án B dùng bản mới để tận dụng các tính năng vừa ra mắt. Nếu cả hai dùng chung một môi trường cài đặt, việc nâng cấp pandas cho B có thể làm hỏng A.

Môi trường ảo không cài lại toàn bộ hệ điều hành hay runtime Python, mà chỉ cô lập các gói Python và ngữ cảnh thực thi của từng dự án, dựa trên bản Python có sẵn. Điều này đặc biệt quan trọng với khoa học dữ liệu, học máy, phát triển web và nghiên cứu.

Quy trình với venv và pip

Khi cài Python, ta thường có sẵn module venv trong thư viện chuẩn. Để tạo một dự án nhỏ, ta làm theo các bước:

• Tạo thư mục dự án rồi chạy python -m venv .venv (có hệ thống cần dùng python3). Tên .venv chỉ là quy ước, nhiều công cụ và trình soạn thảo hiểu tên này.
• Kích hoạt môi trường: trên macOS hoặc Linux dùng source .venv/bin/activate, trên Windows PowerShell dùng .venv\Scripts\Activate.ps1. Dấu nhắc thường hiển thị (.venv).
• Cài gói bằng python -m pip install pandas. Có thể kiểm tra đường dẫn thực thi bằng python -c "import sys; print(sys.executable)", kết quả phải trỏ vào file Python bên trong .venv.
• Ghi lại phụ thuộc bằng python -m pip freeze > requirements.txt. Người khác tạo môi trường, kích hoạt rồi chạy python -m pip install -r requirements.txt.

Quy trình này ổn, thậm chí có thể ghim phiên bản trong requirements.txt. Vấn đề là ta phải tự làm nhiều bước: tạo môi trường, cài phụ thuộc, ghi phiên bản và giữ file phụ thuộc luôn cập nhật. Ghi lại các gói đã cài cũng không đồng nghĩa với việc bảo đảm dự án chạy giống hệt nhau trên mọi máy.

Để kiểm chứng ý tưởng cô lập, có thể tạo hai thư mục project-a và project-b, mỗi thư mục có môi trường riêng, rồi cài pandas 2.2.3 cho dự án A và pandas 2.3.3 cho dự án B (đây là phiên bản minh họa, không phải khuyến nghị cho dự án thật). Kiểm tra lại bằng python -c "import pandas; print(pandas.__version__)" trong từng môi trường, ta sẽ thấy hai phiên bản khác nhau cùng tồn tại mà không ghi đè lên nhau.

uv: gộp cả quy trình vào một công cụ

uv là công cụ quản lý gói và dự án Python do Astral phát triển. Nó có thể tạo môi trường ảo, cài gói, quản lý phiên bản Python, phân giải phụ thuộc, duy trì lockfile (file khóa phiên bản) và chạy lệnh trong môi trường dự án — tất cả bằng một công cụ, nên nhanh và hiệu quả hơn nhiều so với quản lý thủ công.

Cùng làm lại dự án phân tích thời tiết bằng uv:

• Khởi tạo: uv init --bare weather-analysis rồi vào thư mục. Tùy chọn --bare tạo cấu hình dự án tối giản, và ta tự tạo main.py.
• Thêm phụ thuộc: uv add pandas. Lệnh này thêm pandas vào pyproject.toml, phân giải phụ thuộc, đồng thời cập nhật lockfile và môi trường.
• Chạy dự án: uv run python main.py. Trước khi chạy, uv kiểm tra lockfile và môi trường có đồng bộ không, trừ khi ta chủ động tắt hành vi này. Ta vẫn có thể kích hoạt .venv nếu muốn, nhưng không bắt buộc.
• Tái tạo môi trường: khi clone dự án trên máy khác, chỉ cần chạy uv sync. Lệnh này đồng bộ môi trường với phụ thuộc của dự án và tạo .venv nếu chưa có.

Sau khi chạy, thư mục dự án gồm .venv/ (môi trường ảo), main.py, pyproject.toml (metadata, cấu hình và phụ thuộc khai báo) và uv.lock (thông tin phụ thuộc đã phân giải để tái tạo môi trường). Điểm khác biệt là uv tự quản lý các phần này như một phần của quy trình dự án.

venv và uv khác nhau ở đâu

Rất dễ coi hai công cụ là đối thủ trực tiếp, nhưng chúng không hoàn toàn giống nhau. venv tạo môi trường ảo, pip cài gói, còn uv gộp việc tạo môi trường, quản lý phụ thuộc, quản lý phiên bản Python và chạy dự án vào một công cụ.

Không có câu trả lời đúng tuyệt đối, mà tùy hoàn cảnh:

• Dùng venv + pip khi đang học Python và muốn hiểu nền tảng, khi làm theo hướng dẫn dùng requirements.txt, khi duy trì script nhỏ với vài phụ thuộc, hoặc khi môi trường làm việc không cho phép cài thêm công cụ.
• Dùng uv khi thường xuyên khởi tạo dự án Python mới, muốn phân giải phụ thuộc và lockfile trong cùng một quy trình, hay chuyển đổi giữa nhiều dự án, cần quản lý nhiều phiên bản Python, hoặc muốn đồng bộ phụ thuộc giữa các máy một cách đơn giản.

Có thể áp dụng uv cho dự án đang có, nhưng đừng cho rằng việc chuyển đổi diễn ra tự động và không rủi ro: các ràng buộc phụ thuộc cũ và cấu hình dự án vẫn cần được kiểm thử.

Góc nhìn

Với lập trình viên và doanh nghiệp Việt Nam, giá trị lớn nhất của uv nằm ở lockfile và lệnh uv sync. Khi nhiều người cùng làm một dự án hoặc phải triển khai lên máy chủ, CI/CD, việc tái tạo chính xác môi trường chỉ bằng một lệnh giúp giảm hẳn thời gian gỡ lỗi kiểu "máy tôi chạy được". Với đội ngũ mới chuyển sang Python hoặc làm nhiều dự án song song, đây là cách giảm bớt các bước thủ công mà venv và pip để lại cho người viết code.

Tuy vậy, không cần chuyển toàn bộ kho mã ngay lập tức. Học kỹ venv và pip trước vẫn là nền tảng tốt, rồi thử uv trên một dự án nhỏ tiếp theo. Mục tiêu không phải sưu tập công cụ, mà là dành ít thời gian sửa môi trường hơn và nhiều thời gian giải quyết bài toán hơn.