Auto Conda Env

自动为Python项目创建或复用匹配的Conda环境，扫描项目依赖文件自动配置运行环境。Auto-create or reuse a Conda env for any Python project — scans deps, matches envs, handles CUDA/GPU needs.

Auto Conda Env for Python Project / 自动为Python项目配置Conda环境

触发条件 / When to Use

当用户需要为Python项目配置独立运行环境、自动创建Conda环境，或希望复用已有的匹配环境时，使用本技能。 Use when: setting up an isolated Python env, creating a new Conda env, or reusing an existing one for a project.

---

执行步骤 / Execution Steps

1. 获取项目路径 / Get Project Path

• 询问用户提供Python项目文件夹路径，若未指定则默认使用当前工作目录。 Ask for the project folder path; default to current working directory if not provided.
• 验证路径是否存在且为有效文件夹。 Verify the path exists and is a valid directory.

2. 扫描项目依赖文件 / Scan Dependency Files

进入项目文件夹，按以下优先级扫描：Scan in this order:

优先级 / Priority	文件 / File	提取内容 / What to Extract
1	environment.yml / environment.yaml	Python版本 + 所有依赖 / Python version + all deps
2	pyproject.toml	project.requires-python + project.dependencies
3	requirements.txt	依赖包列表（检查 .python-version 获取版本）
4	setup.py	python_requires + install_requires
5	Pipfile	[packages] 节
6	setup.cfg	install_requires

• 若未找到任何依赖配置文件，默认使用 Python 3.10，无额外依赖。 Default to Python 3.10 with no extra packages if nothing found.

3. 查找 conda 可执行文件 / Find Conda Executable

conda 可能不在 PATH 中，按以下顺序尝试：Try these paths if conda is not in PATH:

which conda
~/.local/bin/conda                                  # pip-installed conda
~/miniconda3/bin/conda                              # standard Miniconda
~/anaconda3/bin/conda                               # standard Anaconda
$HOME/miniconda3/bin/conda
$HOME/anaconda3/bin/conda

保存找到的 conda 路径为 CONDA，后续所有 conda 命令用 CONDA 前缀执行。 Save the working conda path as CONDA; prefix all conda commands with it.

4. 检查现有Conda环境 / Check Existing Environments

• 执行 CONDA info --envs 获取环境列表。
• 对每个环境验证：
  1. CONDA run -n <env> which python — 确认 python 存在（避免 ghost env）
  2. CONDA run -n <env> python --version — 验证 Python 版本
  3. CONDA run -n <env> pip list — 验证依赖已安装

⚠️ 部分 conda 环境 python 不在 PATH（如损坏/空环境），conda run 会失败，此时跳过该环境。 Some envs fail conda run — skip them.

若找到完全匹配的环境 → 复用。 若未找到 → 进入步骤 5 创建。

5. 复用或创建环境 / Reuse or Create

复用 / Reuse：

• 确认环境 python 可执行且版本匹配
• 验证核心依赖已安装
• 配置 OpenClaw 后续操作使用此环境

创建新环境 / Create New：

1. 生成环境名：项目文件夹名 → 小写 → 特殊字符替换为 _ → 追加 _env 例 / e.g.：MyProject-2.0 → myproject_2_0_env

2. 创建环境：

   CONDA create -n <env_name> python=<version> -y
   

3. 安装依赖 / Install Dependencies：

   依赖文件 / File	安装命令 / Command
   environment.yml	CONDA env update -n <env> -f environment.yml --prune
   pyproject.toml	CONDA run -n <env> pip install .
   requirements.txt	CONDA run -n <env> pip install -r requirements.txt
   setup.py	CONDA run -n <env> pip install .
   Pipfile	CONDA run -n <env> pip install pipenv && CONDA run -n <env> pipenv sync
   无配置文件 / None	仅创建空环境 / create empty env only

   💡 pip 安装失败时（如系统保护 PEP 668），追加 --break-system-packages 参数重试。 If pip refuses due to PEP 668, add --break-system-packages.

4. GPU / CUDA 处理（如需要）/ Handle GPU / CUDA if needed：

   • 检查项目是否 import torch / tensorflow 等
   • 若需要 GPU：CONDA run -n <env> pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
   • 验证：CONDA run -n <env> python -c "import torch; print(torch.cuda.is_available())"

5. 验证环境可用 / Verify Env Works：

   CONDA run -n <env> python -c "import numpy, scipy, sklearn; print('OK')"
   

   若失败，记录缺失的包并重新安装。

6. 输出结果 / Output Summary

最终告知用户：

环境名称 / Env name: <name>
Python 版本 / Python: <version>
已安装依赖 / Installed: <list>
环境路径 / Path: /path/to/env
激活命令 / Activate: conda activate <name>

---

注意事项 / Notes

• conda 不在 PATH 是常见问题，优先搜索常见安装路径 Missing conda in PATH is common; search standard install locations first
• ghost 环境（python 不存在）用 conda run ... which python 排除 Use which python via conda run to detect ghost/broken envs
• pip 安装失败先尝试加 --break-system-packages Try --break-system-packages when pip is blocked by OS package protection
• GPU 项目安装 torch 后务必验证 CUDA 可用 Always verify CUDA availability after installing torch
• 不修改用户现有 conda 安装，只读和复用/创建新环境 Read-only on existing installs; only create/reuse envs, don't modify base

---

适用场景 / Use Cases

• 新项目初始化 / New project setup
• 不同项目需要不同 Python 版本 / Projects needing different Python versions
• 有 CUDA 依赖的 ML/DL 项目 / ML/DL projects with CUDA dependencies
• 依赖冲突隔离 / Isolating dependency conflicts
• 团队环境标准化 / Team environment standardization