我完全理解你的痛点——想通过额外依赖（extra）让用户一键切换依赖的CPU/GPU变体，但pip的默认解析逻辑却导致两个冲突变体同时安装，这确实很头疼。下面给你几个比发布两个独立包更优的方案：

方案1：使用带Extra标记的条件依赖（推荐，适配现代pip） #

你的尝试方向其实是对的，只是可能因为pip版本过旧导致标记不生效。现代pip（20.3+，推荐21.0+）已经能正确解析基于extra的条件依赖，不会同时安装冲突的包。

在你的pyproject.toml里这样配置：

[project]
name = "A"
version = "0.1.0"
# 仅当未指定cuda extra时，才安装onnxruntime
dependencies = [
  "onnxruntime; extra != 'cuda'",
  "pip>=21.0"  # 强制用户使用支持条件标记的现代pip
]

[project.optional-dependencies]
# 指定cuda extra时，安装onnxruntime-gpu
cuda = [
  "onnxruntime-gpu"
]

为什么之前没生效？

• 如果你用的是pip 20.3之前的旧版本，它的依赖解析器不会正确处理extra标记，会无视条件安装所有依赖。升级pip到21.0+就能解决这个问题。
• 确认你安装时的命令是pip install A[cuda]，不要出现拼写错误（比如标记里用cuda但安装时写A[gpu]）。

验证效果：

• 执行pip install A：只会安装onnxruntime和包A。
• 执行pip install A[cuda]：只会安装onnxruntime-gpu和包A，不会安装onnxruntime。

方案2：核心包+元包分离（兼容旧版pip） #

如果你的用户可能还在使用旧版pip，不想强制升级，可以把代码和依赖配置分离：

1. 发布核心包A-core：包含所有业务代码，不依赖onnxruntime的任何变体（或仅依赖无冲突的基础依赖）。
2. 发布元包A：作为入口，通过不同extras拉取正确的核心包和依赖变体：

# 元包A的pyproject.toml
[project]
name = "A"
version = "0.1.0"
dependencies = ["A-core", "onnxruntime"]

[project.optional-dependencies]
cuda = [
  "A-core",
  "onnxruntime-gpu",
  "onnxruntime==0.0.0; python_version>='3.7'"  # 虚拟版本，强制pip忽略默认的onnxruntime
]

说明：

• 元包本身没有代码，仅负责拉取正确的核心包和依赖。
• 虚拟版本onnxruntime==0.0.0是一个小技巧，会让pip优先选择onnxruntime-gpu（因为它是有效版本），从而跳过默认的onnxruntime。

方案3：动态依赖配置（适合复杂场景） #

如果需要更灵活的逻辑，可以用setuptools的动态依赖功能，在setup.py里根据用户指定的extras动态设置依赖：

from setuptools import setup

def get_dependencies(extras):
    if 'cuda' in extras:
        return ["onnxruntime-gpu"]
    return ["onnxruntime"]

setup(
    name="A",
    version="0.1.0",
    install_requires=get_dependencies(set()),
    extras_require={
        "cuda": []
    },
    dynamic=["install_requires"]
)

注意：

• 这种方式需要配合setup.py使用，且要求setuptools>=61.0支持动态字段。
• 需注意pip解析extras时的逻辑，建议在测试环境验证后再发布。

不推荐的方案 #

• 发布A和A-gpu两个独立包：虽然可行，但会大幅增加维护成本，用户也容易混淆变体。
• 用post-install脚本卸载冲突包：属于hacky做法，可能破坏pip的依赖树，导致后续安装出现未知问题。

总结 #

优先选择方案1：只要用户使用现代pip，就能完美实现你想要的效果——默认安装CPU版，加extra安装GPU版，且不会出现冲突。如果必须兼容旧版pip，再考虑方案2的核心包+元包模式。