1.1 Julia简介与安装

1.1 Julia 简介与安装

Julia 是为科学计算设计的动态语言：写法接近 Python，运行速度接近 C，靠的是即时编译（JIT）与类型推断。本节从零开始装好环境，并在 REPL 里验证第一个程序。

动手装：三种方式选一种

我建议初学者直接用官方安装包，别在包管理器上浪费时间。三种方式怎么选：

安装方式决策图

以官方安装包为例：打开 Julia 官网，下载当前稳定版（1.10 系列以上），Windows 双击安装、macOS 拖入应用程序、Linux 解压后把可执行文件链接到路径里即可。

第一次启动 REPL

在终端输入 julia 回车，会看到一只欢迎横幅和提示符：

julia>
​

先敲这三行，确认一切正常：

versioninfo()      # 查看版本与系统信息
2 + 2              # 应输出 4
println("你好 Julia")  # 应打印出中文
​

REPL 有几个模式值得现在就记住：按 ] 进入包管理模式（底部提示符变蓝），按 ; 进入 shell 模式，按退格键回到普通模式。第一次装包可以顺手做：

] add Plots
​

装完按退格返回，using Plots 就能用。

它凭什么快：一分钟版本

Julia 的速度不是玄学。一段 Julia 代码在运行前会经过：解析成表达式 → 类型推断 → 即时编译成机器码 → 缓存复用。第一次调用一个函数慢（在编译），第二次开始就是原生速度：

mysum(v) = (s = 0.0; for x in v; s += x; end; s)
v = rand(10^6)
@time mysum(v)   # 第一次：编译开销计入
@time mysum(v)   # 第二次：毫秒级，接近 C
​

⚠️ 常见坑：拿第一次 @time 的结果评价 Julia 性能，会得出"Julia 很慢"的错误结论。测速永远测第二次以后。

Julia、Python、MATLAB 定位对比

我的判断：如果你的工作 80% 是数值计算、建模、仿真，Julia 值得投入；如果偏 Web、爬虫、运维脚本，Python 仍是更合理的选择。

装不上怎么办：三个高频故障的现场处理

新手在这一节翻车的地方高度集中，我按出现频率排一下。

第一个是 Windows 上装完双击没反应或闪退。多数是解压版没装依赖，改用官方安装包（.exe）重装基本能解决；装完在 PowerShell 里敲 julia 提示找不到命令，说明没加进 PATH，手动把安装目录加进系统环境变量即可。第二个是公司内网或代理环境下 ] add Plots 卡在下载。Julia 的包都放在 GitHub 上，代理要在进入 REPL 之前设好环境变量：

# 然后 julia 启动，再 ] add Plots
​

第三个是磁盘空间：默认包仓库在用户目录的 .julia 文件夹，C 盘紧张时可以用环境变量 JULIA_DEPOT_PATH 指到别的盘。这三件事处理完，90% 的安装问题就见底了。

用一个真实计算验证：手搓 vs 内置

光看 2 + 2 不过瘾，做一个稍微像样的小实验——对比自己写的循环求和与内置 sum 的差距，顺便体会"写法朴素但速度不亏"这个卖点：

mysum(v) = (s = 0.0; for x in v; s += x; end; s)

v = rand(10^7)
@time mysum(v)    # 第一次含编译，约 0.2 秒
@time mysum(v)    # 第二次约 0.01 秒
@time sum(v)      # 内置版本，与手写同量级
​

关键解读：手写的 for 循环和官方 sum 速度在同一量级。这在纯 Python 里是不可想象的——Python 的循环比 NumPy 的向量化慢一两个数量级，所以 Python 用户被迫学向量化技巧；Julia 里循环就是一等公民，照着数学公式直译反而最快。这个认识会影响你后面所有的写码习惯：见到向量化先问"是为了清晰还是为了快"。

边界情况：版本与长期支持

Julia 的版本策略值得花两分钟了解。官方每隔约一年发布一个长期支持版（如 1.6、1.10），中途的小版本（1.11、1.12）更激进。我的建议是生产环境固定在 LTS 版，学习用最新稳定版即可——语法层面 1.6 之后的代码基本不需要改动。多版本共存交给 juliaup 管，一条 juliaup add 1.10 就能并存多个版本并随时 juliaup default 1.10 切换。还有一点：Julia 2.0 已在规划中，官方承诺大版本间通过 Compat 包做迁移提示，现在学的代码不至于作废，但读第三方包源码时留意它锁定的 Julia 版本区间，能省去不少"为什么报错"的排查时间。

验收脚本：一份可以留存的环境体检单

把安装验收固化成一段脚本，是老手的习惯——日后环境一旦出问题，先跑它就能快速定位。把下面这段存成文件，每次 include 进 REPL 执行：

function env_check()
    v = VERSION
    println("Julia 版本: ", v)
    threads = Threads.nthreads()
    println("线程数: ", threads, threads == 1 ? "  （默认单线程，并行需 -t 启动）" : "")
    # 逐项检查包仓库是否可用
    depots = Base.DEPOT_PATH
    println("包仓库位置: ", first(depots))
    println("体检完成，环境可用")
end

env_check()
# 体检完成，环境可用
​

这份体检单的价值在于把"环境好着吗"从感觉变成事实。比如包仓库被指到了网络盘，add 就会莫名变慢；线程数显示 1 却疑惑多线程代码不加速，都是日后真实会遇到的场景，届时回头跑一遍 env_check 往往一眼看穿。

Julia 能解决而脚本语言难受的典型场景

选型不能只看跑分，看场景更准。三种典型处境里 Julia 的优势最明显。其一，算法核心是自己写的循环与递归，例如蒙特卡洛模拟、格子玻尔兹曼方法：这类代码没法靠调用 NumPy 的 C 内核加速，Python 里只能忍受慢或改写 C，Julia 里直接就是原生速度。其二，需要交互式探索又能直接上生产：Julia 的 REPL 里验证的函数，放进包里编译后就是生产代码，没有"探索版"和"发布版"两套实现。其三，教学与科研代码要长期复现：Julia 的 Manifest 文件精确锁住每个依赖版本，五年后重跑仍能复原环境。反过来，如果你的场景是写网站后台、做运维胶水脚本，生态更厚 Python 明显合适——承认边界与宣传优势同样重要。

本节要点回顾

• 安装三选一：新手官网安装包，多版本用 juliaup，服务器用 jill 或解压二进制。
• 验证三件套：versioninfo、算术、println，全通过即环境可用。
• ] 进包管理、; 进 shell，退格返回，这两个快捷键天天用。
• JIT 意味着首次调用慢，测性能看第二次。
• 选型判断：数值密集场景 Julia 优势最大。