如何让 PyTorch（CUDA 版）被 pip 正确缓存以加速多环境安装

pip 24.0+ 默认启用并正确支持带 --index-url 的 pytorch cuda 轮子（wheel）缓存，升级 pip 即可解决重复下载问题，无需额外配置。

在多虚拟环境开发中，如果你经常需要安装 torch 加上 CUDA 支持（比如指定 --index-url https://download.pytorch.org/whl/cu121），大概率会遇到一个让人头疼的场景：每次新建一个 venv，都得眼睁睁看着那个 2.5 GB 的 wheel 文件重新下载一遍。尽管 pip 官方文档明确写明了“默认启用缓存”，但 torch 就是死活不出现在 pip cache info 或 pip cache list 里。

问题出在哪里？其实根子就在 pip 自身的版本兼容性上。

在 pip ≤ 23.x 的版本中，当使用了 --index-url（尤其是那些指向非 PyPI 默认源的显式索引地址）时，部分版本的缓存逻辑存在一个缺陷——pip 没能把远程 wheel 的哈希值与缓存键正确关联起来。结果就是，要么下载后没写进缓存，要么后续安装时压根找不到缓存里的文件。这个问题，在 pip 24.0 及更高版本中已经修复（相关 issue 可以参考 pip#12396）。

所以，解决方案说来倒也简单直白：把 pip 升级到 24.0+。

python -m pip install --upgrade pip

升级完成后，顺手验证一下版本：

pip --version  # 应输出类似：pip 24.0.1 from ...

接下来，标准的安装命令完全不用改，照常执行就行：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

第一次安装时，pip 会正常下载并自动缓存到本地（路径可以通过 pip cache dir 查看，通常是 ~/.cache/pip）。之后你在其他 venv 里执行同样的命令，pip 就会直接从缓存中复制 wheel，跳过网络下载——耗时直接从分钟级降到秒级。

怎么确认缓存真的生效了？

# 查看缓存目录及大小
pip cache info

# 列出已缓存的包（应包含 torch-*.whl）
pip cache list | grep torch

# 清理的话，调试时可以用
# pip cache purge

最后提醒几个容易踩的坑：

• 别再去设置 PIP_DOWNLOAD_CACHE（已经弃用）或者 PIP_FIND_LINKS（会干扰依赖解析），现代 pip 根本不需要这些变量。
• --index-url 本身不会禁用缓存，问题只出在旧版 pip 的实现缺陷上。
• 如果用了 --no-cache-dir，或者在 CI 环境里显式禁用了缓存，记得把那个标志去掉。
• 不同 CUDA 版本（比如 cu118、cu121、cu124）对应的 wheel 各自独立缓存，互不冲突，不用担心混用。

升级 pip 可以说是最轻量、最可靠，也是最符合官方推荐的做法。搞定这一步之后，不管你创建多少个 Python 3.10 的虚拟环境，PyTorch CUDA 版本都只需要下载一次——本地开发和 CI 构建的效率一下子就提上来了。