如何在Poetry中禁用或加速依赖解析？

针对数据科学场景下Poetry解析大型包（如Pandas、Scikit-learn、TensorFlow、PyTorch）时的延迟问题，以下是几个能保留pyproject.toml支持的优化方法：

1. 缩小依赖版本范围，减少解析工作量 #

• 在pyproject.toml中直接指定精确版本而非宽泛范围，比如将pandas = "^2.0"改为pandas = "2.1.3"，避免Poetry遍历大量兼容版本。
• 对依赖关系稳定的包，使用~=指定小版本更新（如scikit-learn = "~=1.3.0"），限制解析仅在小版本内进行。
• 新增依赖时用poetry add <package> --lock，仅更新poetry.lock文件而不触发完整解析，后续统一执行poetry install完成安装。

2. 启用Poetry新版解析器与并行安装 #

• 确保Poetry版本≥1.2.0（新版默认启用更快的解析引擎），升级命令：pip install --upgrade poetry。
• 开启并行安装加速：

  poetry config installer.parallel true
  

3. 切换国内PyPI镜像，降低网络延迟 #

替换默认PyPI源为国内镜像（如阿里云、清华），大幅减少包索引的请求时间：

# 设置阿里云镜像为默认源
poetry config pypi.org.url https://mirrors.aliyun.com/pypi/simple/

4. 对大型复杂包跳过Poetry解析，直接指定安装源 #

对于TensorFlow、PyTorch这类依赖链极长的包，直接在pyproject.toml中指定预编译包的URL，避免Poetry递归解析其依赖：

[tool.poetry.dependencies]
python = "^3.10"
torch = { url = "https://download.pytorch.org/whl/cu118/torch-2.0.1+cu118-cp310-cp310-linux_x86_64.whl" }
tensorflow = "2.15.0"  # 直接指定精确版本，配合镜像源快速安装

或者先用pip安装这类包，再执行poetry add --lock <package>让Poetry仅将其加入依赖清单，不重新解析。

5. 导出为requirements.txt结合pip快速安装 #

如果频繁需要重复安装，可先用Poetry完成一次依赖解析生成poetry.lock，再导出为requirements.txt，后续用pip快速安装：

# 导出生产依赖到requirements.txt
poetry export -f requirements.txt --output requirements.txt --without-hashes --without-dev
# 用pip快速安装
pip install -r requirements.txt

这种方式既保留pyproject.toml的依赖管理能力，又能利用pip的快速安装特性。

6. 谨慎禁用不必要的检查（仅限紧急场景） #

• 安装时跳过开发依赖：poetry install --without-dev，减少解析的包数量。
• 限制解析轮次（可能导致依赖冲突未被检测，需谨慎）：

  poetry config resolver.max-rounds 500
  

内容的提问来源于stack exchange，提问作者MYK