禅
让Python环境安心。
> 更少的杂乱,更清晰。
一个目录用于所有Python环境。一个CLI来跟踪它们。不是另一个环境管理器,只是一个轻量级的cli,它能记住你不想做的事情。
你已经有足够的担心了。CUDA 13在哪个环境中?你是每晚用PyTorch还是稳定地进行实验的?你两周没碰过的那个项目中有什么在运行?
禅记得——所以你不必这么做。
它速度快、重量轻,在这里不是为了取代任何东西——只是为了让处理多个Python环境变得无痛,尤其是在涉及GPU和CUDA版本的情况下。
它还内置了 MCP服务器,因此AI编码代理可以通过结构化的工具调用来管理您的环境。
> [!注意]
> 一个按原样共享的个人工具。用Rust编写的Vibecoded。没有承诺,没有路线图,没有保证。
安装```bash
curl -sSf https://vistralis.org/zen/install.sh | sh
或者从源代码构建:```bash
git clone https://github.com/vistralis/zen.git && cd zen
cargo build --release
cp target/release/zen ~/.local/bin/
开始使用
设置一次shell:```bash
Add to .bashrc or .zshrc
eval "$(zen hook bash)" # or zsh
营造一个环境:```bash
$ zen create ml_env
✓ Environment 'ml_env' created successfully.
$ zen activate ml_env # alias: za ml_env
$ zen deactivate # alias: zd
安装软件包——Zen将其委托给uv,因此速度很快:```bash
$ zen install numpy scipy opencv-python # into active env
$ zen install -n ml_env numpy scipy # into specific env
Need a specific CUDA build? Just pass the index:
$ zen install torch torchvision \
--index-url https://download.pytorch.org/whl/cu130
一目了然:```
$ zen list
★ ml_env 3.12.3 ✓ torch:2.10.0+cu130 numpy:2.3.5
vision 3.12.3 ✓ torch:2.9.1+cu128 numpy:2.2.6
experiment 3.12.3 ! torch:2.11.0.dev numpy:2.4.2
diffusion 3.12.3 ✓ torch:2.10.0+cu130 numpy:2.3.5
data_pipeline 3.12.3 ✓ numpy:1.26.4
5 environments ✓ 4 ok ! 1 drift ★ 1 fav
在所有环境中查找包:```
$ zen find torch
ml_env torch 2.10.0+cu130
vision torch 2.9.1+cu128
experiment torch 2.11.0.dev20260129+cu126
diffusion torch 2.10.0+cu130
检查运行状况--符号链接损坏、CUDA冲突、缺少依赖项:```
$ zen health ml_env
✓ Python binary ok
✓ Symlink integrity ok
✓ CUDA version cu130 (consistent)
✓ Dependency conflicts none detected
哲学
放下杂乱
你创建一个环境,安装一些软件包,启动一个项目。然后是另一个。还有一个。三周后,你盯着十五个目录 /envs/ 想知道其中一半是干什么用的。
知道所有东西在哪里
每个环境都会被跟踪——Python版本、包、CUDA堆栈、健康状态以及它属于哪个项目。所有这些都是可查询的。所有瞬间。
专为ML开发而设计
CUDA版本很重要。 cu128 和 cu130 不可互换。Zen跟踪每个环境中PyTorch的版本,检测CUDA版本混合,并允许您在具有CUDA感知版本匹配的环境中进行搜索。
你的项目,记住了
将环境链接到项目目录。下次你 cd 进入该项目和类型 zen activate --它选择了正确的一个。没有争论,没有思考。```bash
$ zen link add ml_env
✓ Linked 'ml_env' to /home/user/projects/classifier
Later, in that same directory:
$ zen activate
✓ Activated 'ml_env'
支持每个项目的多个环境——主环境、测试环境、实验环境——带有标签和默认值。
### 与AI代理协同工作
Zen内置了 MCP服务器 因此,AI编码助手可以通过结构化的工具调用来管理环境,而不需要shell访问。
______________________________________________________________________
## 命令
|命令|它的作用|
|---------|-------------|
| `zen create ` |创建新环境|
| `zen add ` |注册现有虚拟环境|
| `zen rm ` |删除环境(`--cached` 仅适用于DB)|
| `zen activate [name]` |激活(未指定名称时的智能选择)|
| `zen deactivate` |停用|
| `zen list` / `zen ls` |列出所有环境(`-1` 只有名字, `-l` 长)|
| `zen info ` |详细环境视图|
| `zen install [-n env] ` |安装软件包|
| `zen uninstall [-n env] ` |删除包|
| `zen run ` |运行命令而不激活|
| `zen find ` |在所有环境中查找包|
| `zen inspect ` |详细的包裹信息|
| `zen diff ` |比较两种环境|
| `zen health [name]` |环境健康检查|
| `zen link add/rm/list` |项目-环境链接|
| `zen label add/rm/list` |用标签组织|
| `zen note add/list/rm` |附上备注|
| `zen rename ` |重命名环境|
| `zen template` |创建、编辑、检查、导出/导入模板|
| `zen mcp` |启动MCP服务器|
全参考→ docs/commands.md
## 配置
|变量|默认值|描述|
|----------|---------|-------------|
| `ZEN_HOME` | `~/.local/share/zen/envs` |环境居住的地方|
| `ZEN_DOJO` | `~/.config/zen` |数据库和配置|
```bash
export ZEN_HOME=/localdisk/envs # fast SSD for your environments
运作原理
- 标准静脉 --没有什么专有的,你的环境只是Python venvs
- SQLite --一个小型数据库文件可以跟踪所有内容
- 紫外线 --所有包装操作都委托给uv以提高速度
- 壳钩 --当前shell中用于激活/停用的轻量级功能
- 主控程序 --基于stdio的JSON-RPC用于AI代理集成
许可证
阿帕奇-2.0
