--- title: "pip vs uv vs Poetry vs Conda: Qual Gerenciador Python Usar em 2026" url: "https://python.dev.br/blog/gerenciadores-de-pacotes-python/" markdown_url: "https://python.dev.br/blog/gerenciadores-de-pacotes-python.MD" description: "Compare pip, uv, Poetry e Conda para projetos Python em 2026. Veja quando usar cada ferramenta, comandos, lockfile, ambiente virtual e ciência de dados." date: "2026-01-28" author: "Equipe Python Brasil" --- # pip vs uv vs Poetry vs Conda: Qual Gerenciador Python Usar em 2026 Compare pip, uv, Poetry e Conda para projetos Python em 2026. Veja quando usar cada ferramenta, comandos, lockfile, ambiente virtual e ciência de dados. O gerenciamento de dependências é uma parte crucial de qualquer projeto Python. Instalar bibliotecas, controlar versões, resolver conflitos e garantir que o ambiente de desenvolvimento seja reproduzível são desafios que todo programador enfrenta. Em 2026, a pergunta deixou de ser apenas "pip, Poetry ou Conda?". O **uv** entrou de vez na conversa e virou a escolha padrão para muitos projetos novos. Neste artigo, vamos comparar **pip, uv, Poetry e Conda** em detalhes, mostrando os pontos fortes e fracos de cada ferramenta para que você escolha a opção certa para scripts, APIs, projetos profissionais, ciência de dados e automações. Se você está começando do zero, veja também o guia de [ambientes virtuais em Python](/guias/criando-virtual-environment/) e o tutorial completo de [uv como gerenciador de pacotes](/blog/uv-gerenciador-pacotes-python/). ## pip: o gerenciador padrão O pip vem instalado junto com o Python e é a ferramenta mais básica e universal para instalar pacotes do PyPI (Python Package Index): ```python # Instalando pacotes # pip install requests # pip install pandas==2.1.0 # Versão específica # pip install "flask>=3.0,<4.0" # Intervalo de versões # Atualizando pacotes # pip install --upgrade requests # Removendo pacotes # pip uninstall requests # Listando pacotes instalados # pip list # pip show requests # Detalhes de um pacote ``` ### requirements.txt O pip usa o arquivo `requirements.txt` para listar dependências: ```python # Gerando o requirements.txt # pip freeze > requirements.txt # Instalando a partir do requirements.txt # pip install -r requirements.txt ``` Um `requirements.txt` típico se parece com isto: ``` requests==2.31.0 flask==3.0.0 pandas==2.1.4 sqlalchemy==2.0.23 pytest==7.4.3 ``` ### Vantagens do pip - Vem instalado com Python, sem configuração adicional. - Simplicidade absoluta para instalar pacotes individuais. - Compatível com praticamente qualquer pacote Python. - Ampla documentação e suporte da comunidade. ### Desvantagens do pip - Não resolve conflitos de dependência de forma inteligente. - O `pip freeze` inclui todas as dependências, misturando diretas e transitivas. - Não gerencia ambientes virtuais nativamente (precisa de `venv` ou `virtualenv`). - Não distingue entre dependências de produção e desenvolvimento. ## uv: a opção moderna e rápida para 2026 O **uv** é o gerenciador de pacotes Python criado pela Astral, a mesma empresa por trás do Ruff. Ele é escrito em Rust e foi desenhado para substituir várias ferramentas do ecossistema: `pip`, `pip-tools`, `virtualenv`, parte do fluxo do Poetry e até o gerenciamento de versões do Python em alguns cenários. A principal diferença prática é velocidade. Em projetos com muitas dependências, o uv costuma instalar e resolver pacotes muito mais rápido que pip e Poetry. Mas o ganho não é só performance: ele também simplifica o fluxo de projeto com `uv init`, `uv add`, `uv lock`, `uv sync` e `uv run`. ```bash # Criar um projeto novo uv init minha-api cd minha-api # Adicionar dependências de produção uv add fastapi sqlalchemy pydantic # Adicionar dependências de desenvolvimento uv add --dev pytest ruff mypy # Rodar comandos no ambiente do projeto uv run pytest uv run ruff check . # Sincronizar exatamente o lockfile uv sync ``` ### Quando escolher uv Escolha uv quando você quer um fluxo moderno, rápido e com pouco atrito. Ele é especialmente bom para: - APIs com FastAPI, Django Ninja ou Flask; - automações internas com dependências pequenas; - projetos de dados que não precisam de bibliotecas nativas complexas fora do PyPI; - ambientes de CI/CD que precisam instalar dependências rapidamente; - times que querem `pyproject.toml` e lockfile sem a lentidão percebida em alguns projetos Poetry. Para um projeto profissional novo em 2026, minha recomendação prática é começar com **uv + pyproject.toml + uv.lock**. O pip continua importante porque é universal, mas o uv entrega uma experiência melhor para a maioria dos repositórios novos. ### Cuidados ao migrar de pip ou Poetry para uv A migração costuma ser simples, mas não deve ser feita às cegas. Antes de trocar a ferramenta de um projeto existente: 1. gere um lockfile com `uv lock`; 2. rode a suíte de testes com `uv run pytest`; 3. valide scripts de deploy, Dockerfile e CI; 4. documente os comandos novos no README; 5. remova arquivos antigos apenas quando o build estiver reproduzível. Se o projeto já usa Poetry sem dor, não há urgência em migrar. Mas se o time sofre com resolução lenta, ambiente quebrado ou CI demorado, uv é uma atualização de alto retorno. ## Poetry: gerenciamento moderno O Poetry é uma ferramenta moderna que resolve várias limitações do pip. Ele gerencia dependências, ambientes virtuais e empacotamento em uma única ferramenta: ```python # Instalando o Poetry # curl -sSL https://install.python-poetry.org | python3 - # Criando um novo projeto # poetry new meu-projeto # Ou inicializando em um projeto existente # poetry init ``` ### pyproject.toml O Poetry usa o `pyproject.toml` como arquivo de configuração central: ```toml [tool.poetry] name = "meu-projeto" version = "0.1.0" description = "Descrição do projeto" authors = ["Seu Nome "] [tool.poetry.dependencies] python = "^3.10" requests = "^2.31" flask = "^3.0" sqlalchemy = "^2.0" [tool.poetry.group.dev.dependencies] pytest = "^7.4" black = "^23.0" mypy = "^1.0" ``` ### Comandos principais ```python # Adicionando dependências # poetry add requests # Produção # poetry add --group dev pytest # Desenvolvimento # Removendo dependências # poetry remove requests # Instalando todas as dependências # poetry install # Atualizando dependências # poetry update # poetry update requests # Pacote específico # Executando scripts no ambiente do Poetry # poetry run python meu_script.py # poetry run pytest # Abrindo um shell no ambiente virtual # poetry shell ``` ### O poetry.lock O Poetry gera automaticamente um arquivo `poetry.lock` que registra as versões exatas de todas as dependências, incluindo as transitivas. Isso garante que todos os desenvolvedores e o ambiente de produção usem exatamente as mesmas versões: ```python # O lock é gerado automaticamente no poetry install/add # Para regenerar: # poetry lock ``` ### Vantagens do Poetry - Resolve conflitos de dependência de forma inteligente. - Separa dependências de produção e desenvolvimento. - Gera lock file para reprodutibilidade total. - Gerencia ambientes virtuais automaticamente. - Empacotamento e publicação no PyPI integrados. - Um único arquivo de configuração (`pyproject.toml`). ### Desvantagens do Poetry - Precisa ser instalado separadamente. - Curva de aprendizado inicial maior que o pip. - Pode ser mais lento na resolução de dependências em projetos grandes. - Nem todos os projetos de código aberto o utilizam ainda. ## Conda: foco em ciência de dados O Conda é um gerenciador de pacotes e ambientes criado para o ecossistema de ciência de dados. Ele instala não apenas pacotes Python, mas também bibliotecas de sistema (como compiladores C e bibliotecas numéricas), o que o torna especialmente útil para pacotes científicos: ```python # Instalando o Miniconda (versão leve) # Baixe de: https://docs.conda.io/en/latest/miniconda.html # Criando um ambiente # conda create --name meu-ambiente python=3.11 # Ativando o ambiente # conda activate meu-ambiente # Instalando pacotes # conda install numpy pandas scikit-learn # conda install -c conda-forge tensorflow # Listando pacotes # conda list # Exportando o ambiente # conda env export > environment.yml ``` ### environment.yml O arquivo de configuração do Conda se parece com isto: ```yaml name: meu-projeto channels: - conda-forge - defaults dependencies: - python=3.11 - numpy=1.26 - pandas=2.1 - scikit-learn=1.3 - matplotlib=3.8 - pip: - flask==3.0.0 - requests==2.31.0 ``` ### Vantagens do Conda - Instala dependências de sistema (bibliotecas C, Fortran, etc.). - Excelente para ciência de dados e machine learning. - Resolve dependências entre pacotes Python e não-Python. - Gerencia ambientes de forma isolada e completa. - Repositório conda-forge com milhares de pacotes científicos. ### Desvantagens do Conda - Instalação inicial pesada (Anaconda) ou moderada (Miniconda). - Mais lento que pip para instalar pacotes puramente Python. - O repositório padrão pode ter versões defasadas. - Misturar `conda install` e `pip install` pode causar conflitos. - Ocupação de disco significativamente maior. ## Comparação direta Para facilitar a escolha, veja um resumo comparativo das quatro ferramentas em diferentes cenários: ```python # Cenário 1: Script rápido de automação # Recomendação: uv run ou pip + venv uv run --with requests python script.py # Cenário 2: Projeto web profissional novo # Recomendação: uv (velocidade + lockfile + pyproject.toml) uv init minha-api uv add fastapi sqlalchemy uv add --dev pytest ruff mypy # Cenário 3: Projeto já padronizado em Poetry # Recomendação: manter Poetry se o fluxo estiver estável poetry install poetry add flask sqlalchemy poetry add --group dev pytest ruff # Cenário 4: Ciência de dados / Machine Learning com dependências nativas # Recomendação: Conda ou Mamba conda create -n ml-projeto python=3.11 conda activate ml-projeto conda install numpy pandas scikit-learn tensorflow ``` ## Boas práticas gerais Independentemente da ferramenta escolhida: - **Sempre use ambientes virtuais**: nunca instale pacotes no Python global do sistema. - **Versione os arquivos de dependência**: inclua `requirements.txt`, `pyproject.toml` ou `environment.yml` no controle de versão. - **Fixe versões em produção**: use versões exatas para garantir reprodutibilidade. - **Separe dependências de desenvolvimento**: testes, linters e formatadores não devem ir para produção. - **Atualize regularmente**: verifique atualizações de segurança periodicamente. - **Documente a ferramenta escolhida**: inclua instruções de setup no README do projeto. ## Conclusão Não existe uma ferramenta universalmente melhor — a escolha depende do contexto do projeto. Mas existe uma recomendação prática para 2026: **comece com uv para projetos novos**, use pip quando precisar do caminho mais universal, mantenha Poetry quando ele já estiver bem estabelecido no time e escolha Conda quando o projeto depender fortemente de bibliotecas científicas nativas. Como próximo passo, escolha a ferramenta mais adequada para o seu projeto atual e pratique o fluxo completo: criação do ambiente, instalação de dependências, exportação da configuração e reprodução em outra máquina. Essa experiência prática vai consolidar o conhecimento e ajudar você a tomar decisões melhores no futuro. ## Perguntas frequentes ### uv substitui pip? Em muitos fluxos, sim. O uv consegue instalar pacotes, criar ambientes virtuais, resolver dependências e executar scripts. Mesmo assim, pip continua sendo o padrão mais universal do ecossistema Python e ainda aparece em muita documentação. Na prática, é bom saber usar os dois. ### uv substitui Poetry? Para projetos novos, uv já cobre boa parte do que fazia muita gente escolher Poetry: `pyproject.toml`, lockfile, comandos de projeto e ambientes reproduzíveis. Poetry ainda é forte para empacotamento e publicação com fluxo já consolidado em várias equipes. Se você está começando agora, uv tende a ser a escolha mais simples e rápida. ### Conda ainda vale a pena em 2026? Sim, principalmente para ciência de dados, machine learning, bioinformática e projetos que dependem de bibliotecas nativas difíceis de instalar. Para APIs, automações e bibliotecas puramente Python, Conda costuma ser pesado demais. ### Posso misturar conda e pip? Pode, mas com cuidado. A regra segura é instalar primeiro o que estiver disponível no Conda, preferencialmente via conda-forge, e usar pip apenas para pacotes que não existem no ecossistema Conda. Misturar os dois sem critério aumenta o risco de conflitos difíceis de reproduzir. ### Qual ferramenta usar para conseguir vaga como dev Python? Aprenda pip e venv primeiro, porque aparecem em quase todo processo seletivo. Depois aprenda uv, porque ele representa o fluxo moderno de 2026. Se você quer trabalhar com dados, aprenda Conda também. Para times legados ou bibliotecas publicadas no PyPI, Poetry continua aparecendo bastante. > **Por que o uv é tão rápido?** O uv, assim como o Ruff, é escrito em Rust. Isso permite resolução de dependências paralela e cache otimizado que torna a instalação de pacotes praticamente instantânea. A tendência de ferramentas Python escritas em Rust está redefinindo o que esperamos em termos de performance no ecossistema.