Python库大全（持续更新）

刚开始学 Python 的时候，我有一个很强烈的疑惑：

为什么老师好像知道那么多 Python 库？
写什么功能都知道要 import 哪个库，难道这些都要背下来吗？

后来我慢慢理解了：成熟的 Python 开发者并不是把所有库都背下来了，而是脑子里有一张“问题分类地图”。

他知道：

处理文件，该找哪类库。
写 Web API，该找哪类库。
做数据库，该找哪类库。
调大模型，该找哪类库。
做 Agent，该找哪类库。
标准库够不够用，不够再找第三方库。

这和 Unity 开发其实很像。
Unity 开发者也不会背下所有 Package 和 Asset Store 插件，但你大概知道：

做 UI，想到 UGUI / UI Toolkit。
做寻路，想到 NavMesh。
做异步资源，想到 Addressables。
做网络，想到 Netcode / Mirror / HTTP。
做动画，想到 Animator / Timeline / DOTween。

Python 也是一样的。真正要学的不是“背库名”，而是建立一张“库的用途地图”。

1. Python 库分为三类

Python 里的库大致可以分成三类。

第一类：标准库

标准库就是 Python 自带的库，不需要额外安装，直接 import 就能用。

例如：

import os
import json
import logging
from pathlib import Path
from datetime import datetime

这些库就像 Unity 自带的 UnityEngine、System 一样，是语言和运行环境本身提供的能力。

Python 官方有完整标准库文档：

Python Standard Library

也有模块索引：

Python Module Index

第二类：第三方库

第三方库是别人写好并发布出来的库，需要安装后才能使用。

例如：

pip install fastapi
pip install openai
pip install requests

或者使用现在更常见的 uv：

uv add fastapi
uv add openai
uv add requests

第三方库一般来自 PyPI，也就是 Python 官方包仓库：

PyPI

PyPI 上有大量 Python 包，所以所谓“Python 库大全”并不是一本能完全背下来的字典，而是一个庞大的生态系统。

第三类：项目自己的模块

比如在我的项目里，有这样的导入：

from core.config import get_settings
from app.interface.schemas.base import Response

这些不是 Python 官方库，也不是第三方库，而是当前项目自己写的代码。

也就是说，import 不一定代表“导入外部库”，也可能是在导入自己项目里的其他文件。

2. 为什么 Python 总是要 import？

Python 的设计理念是：核心语言保持简洁，具体能力通过模块来组织。

比如你要处理 JSON，就导入：

import json

你要打印日志，就导入：

import logging

你要写 Web API，就导入：

from fastapi import FastAPI

这和 C# 里的 using 很像：

using UnityEngine;
using System.Collections.Generic;

Python 里的 import，可以理解成：

我要使用某个能力，所以把这个能力所在的模块引入当前文件。

3. Python 标准库常用分类

下面这些库不需要安装，是 Python 自带的。作为初学者，先熟悉这些就很有价值。

文件和路径处理

库	作用
`os`	操作系统相关功能，比如环境变量、路径、目录
`pathlib`	更现代的路径处理方式
`shutil`	文件复制、移动、删除、压缩
`glob`	按通配符查找文件

示例：

from pathlib import Path

root = Path("docs")
for file in root.glob("*.md"):
    print(file.name)

Unity 类比：

pathlib 有点像你在 Unity 里处理 Assets/xxx 路径，只不过 Python 面对的是普通操作系统文件路径。

JSON 和数据格式

库	作用
`json`	读写 JSON
`csv`	读写 CSV 表格
`tomllib`	读取 TOML 配置
`configparser`	读取 ini 配置

示例：

import json

data = {
    "name": "MoocManus",
    "type": "Agent"
}

text = json.dumps(data, ensure_ascii=False)
print(text)

Agent 开发里，JSON 非常常见。
因为大模型工具调用、API 请求、配置文件、接口返回值，经常都用 JSON 表示。

日志和调试

库	作用
`logging`	Python 官方日志库
`traceback`	打印异常堆栈
`pdb`	Python 自带调试器

示例：

import logging

logger = logging.getLogger(__name__)
logger.info("系统启动")
logger.error("发生错误")

Unity 类比：

logging.info() 类似 Debug.Log()。
logging.error() 类似 Debug.LogError()。

但 Python 的日志系统更适合后端服务，因为它可以配置日志等级、格式、输出文件、远程日志平台等。

时间处理

库	作用
`datetime`	日期时间处理
`time`	时间戳、暂停
`zoneinfo`	时区处理

示例：

from datetime import datetime

now = datetime.now()
print(now)

Agent 系统里，时间常用于：

任务创建时间。
对话记录时间。
日志时间。
定时任务。
缓存过期时间。

类型和数据结构

库	作用
`typing`	类型标注
`dataclasses`	快速定义数据类
`collections`	额外数据结构
`enum`	枚举
`uuid`	生成唯一 ID

示例：

from dataclasses import dataclass

@dataclass
class AgentTask:
    id: str
    prompt: str
    status: str

Unity 类比：

这有点像 C# 里定义一个数据类：

public class AgentTask
{
    public string Id;
    public string Prompt;
    public string Status;
}

异步和并发

库	作用
`asyncio`	Python 异步编程核心库
`threading`	多线程
`multiprocessing`	多进程
`concurrent.futures`	更高级的并发接口

Agent 后端经常需要异步，因为它可能同时等待：

大模型返回。
数据库查询。
外部 API 响应。
工具执行结果。

示例：

import asyncio

async def main():
    print("开始")
    await asyncio.sleep(1)
    print("结束")

asyncio.run(main())

4. Web 后端常用库

如果你要用 Python 做后端服务，这些库非常常见。

库	作用
`fastapi`	现代 Python Web API 框架
`uvicorn`	运行 FastAPI 的 ASGI 服务器
`starlette`	FastAPI 底层依赖的 Web 框架
`pydantic`	数据校验和模型定义
`pydantic-settings`	配置管理
`python-dotenv`	读取 `.env` 文件

FastAPI 官方介绍它是一个基于 Python 类型提示的现代高性能 Web 框架：

FastAPI 官方文档

示例：

from fastapi import FastAPI

app = FastAPI()

@app.get("/status")
def get_status():
    return {"code": 200, "msg": "success"}

这段代码的含义是：

当用户访问 /status 时，执行 get_status() 函数，并返回 JSON。

Unity 类比：

如果 Unity 是客户端，那么 FastAPI 就像你自己写的游戏后端 API 服务。

5. 数据校验和模型库

Pydantic

pydantic 是 Python 后端和 Agent 开发里非常重要的库。
它可以用来定义结构化数据，并自动校验类型。

Pydantic 官方文档：

Pydantic Docs

示例：

from pydantic import BaseModel

class UserInput(BaseModel):
    message: str
    user_id: int

data = UserInput(message="你好", user_id=1)

如果传错类型，Pydantic 会帮你报错。

这在 Agent 开发中特别重要，因为大模型输出有时候不稳定。
我们经常需要把模型输出约束成固定结构，比如：

class ToolCall(BaseModel):
    tool_name: str
    arguments: dict

6. HTTP 请求常用库

Agent 系统经常要调用外部 API，比如搜索、天气、数据库服务、模型服务等。

库	作用
`requests`	最经典的同步 HTTP 请求库
`httpx`	支持同步和异步的 HTTP 请求库
`aiohttp`	异步 HTTP 客户端和服务端

示例：

import httpx

response = httpx.get("https://example.com")
print(response.text)

如果你写 FastAPI 或 Agent 后端，httpx 会比 requests 更适合长期学习，因为它支持异步。

7. 数据库和缓存常用库

后端和 Agent 系统一般离不开数据存储。

关系型数据库

库	作用
`sqlalchemy`	Python 最常用 ORM 之一
`alembic`	数据库迁移工具（核心思想借鉴了Git，将数据库的每一次结构变更，都记录在一个个“迁移脚本”中，形成一个清晰的把）
`psycopg`	同步 PostgreSQL 驱动
`asyncpg`	异步 PostgreSQL 驱动

ORM 可以简单理解成：

用 Python 类操作数据库表。

Unity 类比：

有点像你定义一个 PlayerData 类，然后它能映射到数据库里的 players 表。

Redis

库	作用
`redis`	操作 Redis

Redis 常用于：

缓存。
会话状态。
Agent 短期记忆。
任务队列。
分布式锁。

Agent 系统里，Redis 很适合存一些“临时但高频访问”的数据。

8. AI 和 Agent 开发常用库

这是我未来转向 Agent 开发最需要重点关注的一类。

大模型 API

库	作用
`openai`	调用 OpenAI API
`anthropic`	调用 Anthropic Claude API
`google-genai`	调用 Google Gemini API
`litellm`	用统一接口调用多家模型

示例：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-4.1",
    input="解释一下 Python 的 import"
)

print(response.output_text)

Agent 框架

库	作用
`langchain`	大模型应用开发框架
`langgraph`	更适合构建可控 Agent 流程图
`llama-index`	偏向 RAG 和知识库问答
`pydantic-ai`	基于 Pydantic 思路构建类型安全 Agent

如果只是学习 Agent 原理，不建议一上来就完全依赖框架。
更好的路线是：

先自己写一个简单 Agent 循环。
理解 LLM、Tool、Memory、Planner、Executor。
再学习 LangGraph / LangChain 这类框架。

否则很容易只会调框架，不知道 Agent 本质在做什么。

9. RAG 和向量数据库常用库

RAG 的全称是 Retrieval-Augmented Generation，中文一般叫“检索增强生成”。

简单说就是：

先从知识库里查资料，再把资料交给大模型回答。

常用库：

库	作用
`chromadb`	本地向量数据库
`qdrant-client`	Qdrant 向量数据库客户端
`faiss-cpu`	Facebook 开源的向量检索库
`pinecone`	云端向量数据库客户端
`pgvector`	PostgreSQL 向量扩展相关能力

RAG 常见流程：

文档 -> 切块 -> 向量化 -> 存入向量库 -> 用户提问 -> 检索相关片段 -> 交给大模型回答

10. 文档和文件处理常用库

Agent 经常要读文件、分析文件、生成文件。

库	作用
`pypdf`	读取 PDF
`python-docx`	读取和生成 Word
`openpyxl`	读写 Excel
`pandas`	表格数据分析
`markdown`	处理 Markdown
`beautifulsoup4`	解析 HTML
`lxml`	高性能 XML / HTML 解析

比如一个办公 Agent 可能需要：

读取 PDF 合同。
分析 Excel 表格。
总结 Word 文档。
生成 Markdown 报告。

这些库就是基础工具箱。

11. 爬虫和浏览器自动化常用库

库	作用
`beautifulsoup4`	解析网页 HTML
`lxml`	快速解析 HTML/XML
`scrapy`	爬虫框架
`playwright`	控制真实浏览器
`selenium`	经典浏览器自动化库

Agent 如果要“像人一样操作网页”，playwright 非常重要。

它可以：

打开网页。
点击按钮。
输入文字。
截图。
读取网页内容。
自动化测试 Web 应用。

12. 测试和代码质量常用库

库	作用
`pytest`	Python 最常用测试框架之一
`ruff`	代码检查和格式化
`black`	代码格式化
`mypy`	静态类型检查
`coverage`	测试覆盖率

作为从 Unity 转过来的开发者，我以前可能更习惯“运行场景看看对不对”。
但后端和 Agent 项目更需要自动化测试。

例如：

def add(a, b):
    return a + b

def test_add():
    assert add(1, 2) == 3

然后运行：

pytest

测试能帮助我们确认：

改代码有没有破坏旧功能。
接口返回结构是否正确。
Agent 工具调用是否符合预期。
数据库逻辑是否稳定。

13. 命令行和脚本工具库

库	作用
`argparse`	Python 自带命令行参数解析
`typer`	更现代的命令行工具框架
`click`	经典命令行框架
`rich`	美化终端输出
`tqdm`	进度条

很多 Python 工具都是命令行工具。
比如以后你可能会写：

python scripts/import_docs.py --path ./docs

这种脚本在 Agent 项目里很常见。

14. 依赖管理和项目工具

工具 / 库	作用
`pip`	Python 默认包安装工具
`venv`	Python 自带虚拟环境
`uv`	更快的现代 Python 包管理工具
`poetry`	Python 项目和依赖管理
`setuptools`	Python 打包工具

我当前项目里已经有：

pyproject.toml
uv.lock
.venv

这说明项目正在使用现代 Python 项目结构。

简单理解：

pyproject.toml：声明项目依赖。
uv.lock：锁定依赖版本。
.venv：当前项目自己的 Python 虚拟环境。

15. Agent 开发者优先学习路线

Python 库太多，不可能一口气全部学完。
如果目标是转向 Agent 开发，我建议按下面顺序学。

第一阶段：Python 基础工具箱

先熟悉：

pathlib
os
json
logging
datetime
typing
dataclasses
asyncio

目标：能看懂普通 Python 项目代码。

第二阶段：后端 API 开发

重点学习：

fastapi
uvicorn
pydantic
pydantic-settings
httpx

目标：能写一个 API 服务，并能调用外部接口。

第三阶段：数据存储

重点学习：

sqlalchemy
alembic
redis
psycopg

目标：能保存用户、任务、对话、Agent 执行记录。

第四阶段：大模型调用

重点学习：

openai
litellm
pydantic
httpx

目标：能封装一个 LLM Client，并处理模型输入输出。

第五阶段：Agent 核心能力

重点理解：

Agent
Tool
Memory
Planner
Executor
RAG
Sandbox
MCP

这一阶段不只是学库，而是学架构。

可以再逐步接触：

langchain
langgraph
llama-index
pydantic-ai
chromadb
qdrant-client
playwright

16. 看到一个新库时，应该怎么学？

不要一看到新库就想“我要全部学会”。
可以按这个模板记笔记：

库名：
属于哪一类：
解决什么问题：
项目里哪里用了：
Unity 里类似什么：
最常见的 3 个用法：
我当前需要掌握到什么程度：

例如：

库名：FastAPI
属于哪一类：Web 后端框架
解决什么问题：把 Python 函数变成 HTTP API
项目里哪里用了：app/main.py, app/interface/endpoints
Unity 里类似什么：对外提供服务的网络层
当前掌握程度：会定义路由、启动服务、返回 JSON

再比如：

库名：Pydantic
属于哪一类：数据校验 / 数据模型
解决什么问题：定义数据结构并自动检查类型
项目里哪里用了：schemas/base.py
Unity 里类似什么：强类型数据类 + Inspector 字段约束
当前掌握程度：会写 BaseModel，能定义请求和响应模型

17. 总结

Python 库确实很多，但不需要全部背下来。

真正重要的是建立这样的思维：

我要解决什么问题？
这个问题属于哪一类？
标准库能不能解决？
如果不能，常用第三方库有哪些？
项目里为什么选择这个库？
我现在需要掌握到什么深度？

对于我这种从 Unity 转向 Agent 开发的人来说，Python 库学习的重点不是“背 API”，而是建立一张工程地图。

以后每遇到一个库，我都要把它放到这张地图上：

基础语法 -> 标准库 -> 后端服务 -> 数据存储 -> 大模型调用 -> Agent 架构 -> 工程化部署

这样学下去，Python 就不会是一堆陌生的 import，而会变成一套可以组合使用的开发工具箱。

Python库大全（持续更新）

1. Python 库分为三类

第一类：标准库

第二类：第三方库

第三类：项目自己的模块

2. 为什么 Python 总是要 import？

3. Python 标准库常用分类

文件和路径处理

JSON 和数据格式

日志和调试

时间处理

类型和数据结构

异步和并发

4. Web 后端常用库

5. 数据校验和模型库

Pydantic

6. HTTP 请求常用库

7. 数据库和缓存常用库

关系型数据库

Redis

8. AI 和 Agent 开发常用库

大模型 API

Agent 框架

9. RAG 和向量数据库常用库

10. 文档和文件处理常用库

11. 爬虫和浏览器自动化常用库

12. 测试和代码质量常用库

13. 命令行和脚本工具库

14. 依赖管理和项目工具

15. Agent 开发者优先学习路线

第一阶段：Python 基础工具箱

第二阶段：后端 API 开发

第三阶段：数据存储

第四阶段：大模型调用

第五阶段：Agent 核心能力

16. 看到一个新库时，应该怎么学？

17. 总结

参考资料

评论