uv, poetry, pip-tools

pip — стандарт для установки пакетов с 2008 года. Он работает, его все знают. Но он медленный, и его dependency resolver всё ещё временами выдаёт сюрпризы. С 2020-х появилась волна альтернатив: poetry, pdm, pip-tools, и финальный игрок — uv от Astral (создатели ruff).

В мае 2026 uv стал стандартом для нового Python-DE проекта. Этот урок: чем он отличается от pip, как использовать в Dockerfile, когда стоит остаться на poetry, что такое lock-файлы.

Почему pip медленный

Pip написан на чистом Python. Что делает при pip install pandas:

1. Резолвит зависимости: дергает API PyPI для каждого пакета, читает manifest, разбирается с version constraints.
2. Скачивает wheels.
3. Распаковывает в site-packages.
4. Запускает install hooks (если есть).

Самый медленный шаг — резолюция. На проекте с 30 транзитивными зависимостями pip может тратить 10-20 секунд только на «думанье».

uv: Rust-implementation

uv — реализация pip и pip-tools на Rust, от Astral. Совместима с pip CLI, но в 10-100 раз быстрее на типичных операциях.

Установка:

# macOS
brew install uv

# Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Через pip (если уже есть Python)
pip install uv

Использование как drop-in replacement для pip:

uv pip install pandas
# то же что pip install pandas, но за 0.5 сек вместо 4 сек

uv pip install -r requirements.txt
# то же что pip install -r requirements.txt

Бенчмарки от Astral (на проекте django + 40 зависимостей):

• pip install — 30 секунд.
• uv pip install — 3 секунды.

Это 10x. Для проекта с pandas + scipy + sklearn — ещё больше (50-100x на cold-cache).

uv в Dockerfile

Простой вариант:

FROM python:3.13-slim

RUN pip install --no-cache-dir uv

WORKDIR /app

COPY requirements.txt .
RUN uv pip install --system -r requirements.txt

COPY . .
CMD ["python", "main.py"]

--system важен: uv по умолчанию ставит в virtualenv. --system означает «ставь в глобальный Python» — это то, что мы хотим в Docker (контейнер сам себе изолирует, virtualenv лишний).

С BuildKit cache (рекомендуется):

# syntax=docker/dockerfile:1.7
FROM python:3.13-slim

# uv напрямую как бинарь (без pip install — быстрее)
COPY --from=ghcr.io/astral-sh/uv:latest /uv /usr/local/bin/uv

WORKDIR /app

COPY requirements.txt .
RUN --mount=type=cache,target=/root/.cache/uv \
    uv pip install --system -r requirements.txt

COPY . .
CMD ["python", "main.py"]

COPY --from=ghcr.io/astral-sh/uv:latest /uv /usr/local/bin/uv — берём готовый бинарь uv из официального registry. Это быстрее pip install uv (нет pip-резолюции, просто copy файла).

Bench: проект с airflow + pandas + 25 зависимостей.

uv даёт ускорение даже без BuildKit cache.

uv: новый формат проекта (pyproject.toml)

uv поддерживает PEP 621 — стандартный формат pyproject.toml:

[project]
name = "my-etl"
version = "0.1.0"
dependencies = [
    "pandas>=2.2",
    "sqlalchemy>=2.0",
    "psycopg[binary]>=3.2",
]

Команды:

uv venv                    # создать .venv
uv pip install -e .        # установить проект как editable
uv lock                    # сгенерить uv.lock
uv sync                    # установить точно из lock

uv.lock — это lock-файл с точными версиями всего дерева зависимостей. Аналог poetry.lock или Cargo.lock. Коммитится в git, гарантирует воспроизводимость.

В Dockerfile:

# syntax=docker/dockerfile:1.7
FROM python:3.13-slim

COPY --from=ghcr.io/astral-sh/uv:latest /uv /usr/local/bin/uv

WORKDIR /app

COPY pyproject.toml uv.lock ./
RUN --mount=type=cache,target=/root/.cache/uv \
    uv sync --frozen --no-install-project

COPY . .
RUN --mount=type=cache,target=/root/.cache/uv \
    uv sync --frozen

CMD [".venv/bin/python", "main.py"]

--frozen запрещает обновление lock-файла (если рассинхрон — fail). --no-install-project ставит только зависимости, не сам проект (это для layer cache: deps отдельно от кода).

Poetry

poetry — другой популярный менеджер, появился в 2018, написан на Python. Сильные стороны: красивый CLI, хорошие defaults, build-system’ы интегрированные. Слабые: медленнее uv, иногда странные edge cases в резолверке.

В Dockerfile с poetry:

FROM python:3.13-slim AS builder

RUN pip install poetry==1.8.0

WORKDIR /app

COPY pyproject.toml poetry.lock ./
RUN poetry config virtualenvs.create false \
    && poetry install --no-root --only main

COPY . .

CMD ["python", "main.py"]

virtualenvs.create false — поставить в системный Python (как uv --system).

В 2026 года тренд — poetry export -f requirements.txt для извлечения requirements.txt, а дальше уже pip / uv. Это позволяет использовать poetry для управления и lock’ом, а в Docker — быстрый uv:

# На dev-машине
poetry add pandas
poetry export -f requirements.txt --output requirements.txt
git commit -am "Add pandas"

# В Dockerfile
FROM python:3.13-slim
COPY requirements.txt .
RUN uv pip install --system -r requirements.txt

pip-tools (pip-compile)

pip-tools — старшая школа: deterministic lock-файл из requirements.in. requirements.in пишешь руками, pip-compile генерит requirements.txt с pinned версиями.

requirements.in:

pandas>=2.2
sqlalchemy>=2.0
psycopg[binary]

pip install pip-tools
pip-compile requirements.in
# Генерит requirements.txt с точными версиями + хешами

# Обновить:
pip-compile --upgrade requirements.in

requirements.txt после:

pandas==2.2.3
    # via -r requirements.in
sqlalchemy==2.0.36
    # via -r requirements.in
psycopg==3.2.3
    # via -r requirements.in
...

В Dockerfile — обычный pip install -r requirements.txt. Простой и понятный паттерн, ничего магического.

В 2026 — это устаревающий подход. uv покрывает всё, что делал pip-tools, плюс быстрее.

Что выбрать в 2026

Для нового Junior-DE проекта в 2026 — uv. Он:

• В 10-100x быстрее pip — экономит часы CI-времени в год.
• pip-совместимый CLI — знание pip не пропадает.
• Поддерживает pyproject.toml + lock.
• Активно развивается, backed by Astral (ruff team).

Реальный bench

Проект: airflow + pandas + sqlalchemy + dbt-postgres + 30 транзитивных deps.

# Чистая сборка, BuildKit cache очищен

# Вариант A: pip
docker build -f Dockerfile.pip --no-cache -t bench-pip .
# 145 сек

# Вариант B: uv (без BuildKit cache)
docker build -f Dockerfile.uv --no-cache -t bench-uv .
# 22 сек

# Вариант C: uv + BuildKit cache
docker build -f Dockerfile.uv-cache --no-cache -t bench-uv-cache .
# 18 сек

# Ребилд после добавления одной зависимости:
# pip — 80 сек (тянет всё заново)
# uv — 5 сек (incremental)

uv даёт ~8x ускорение на cold build. В CI это разница между «PR ждёт 3 минуты сборки» и «PR ждёт 25 секунд».

Pitfall: native deps

uv ускоряет резолюцию и скачивание, но не сборку из исходников. Если для какого-то пакета нет wheel под твою платформу — uv будет вызывать pip-build, и компиляция займёт те же минуты, что и с pip.

# Если pandas нет wheel — фигня будет с любым менеджером
FROM python:3.13-alpine
RUN uv pip install --system pandas
# Будет компилировать минут 5

Решение: использовать slim-base (где manylinux wheels работают) и не лезть в edge cases.

Попробуй сам

1. Установи uv: brew install uv или pip install uv. Проверь: uv --version.
2. Создай простой проект, requirements.txt:

   pandas
   sqlalchemy
   psycopg[binary]

3. Сравни время pip install -r requirements.txt и uv pip install -r requirements.txt локально.
4. Собери два Dockerfile (один pip, один uv), замерь время:

   time docker build --no-cache -f Dockerfile.pip -t pip-test .
   time docker build --no-cache -f Dockerfile.uv -t uv-test .

   Запиши разницу.
5. Добавь BuildKit cache к uv-варианту. Снова замерь cold build. Должно стать ещё чуть быстрее (за счёт ещё-более-эффективного uv cache).
6. Бонус: используй pyproject.toml + uv.lock вариант. uv lock создаст lock-файл. uv sync --frozen в Dockerfile.