虽然可以简单地使用pip freeze来获取当前环境，但不适合要求像我使用的那样前沿的环境。此外，一些开发人员工具仅在最新版本的包中可用(例如类型注释)，但用户并不需要。我的目标用户可能希望在缓慢升级的机器上使用我的包，而我希望我的需求尽可能低。例如，我不能要求比Python 3.6更好的版本(即使是这样，我认为一些用户可能无法使用该包)。同样，我希望避免使用最新的Numpy或Matplotlib版本。
是否有一种(半)自动的方法来确定每个依赖的最旧的兼容版本?
或者，我可以手动尝试用旧包构建conda环境，但我必须随机尝试。不幸的是，我继承了一个中等规模的代码库(~10KLoC)，还没有自动化测试(我计划做一些，但这需要一些时间，遗憾的是这不是我的优先事项)。需求也没有正确定义，所以我不知道两年前它是用什么运行的。
因为语义版本控制并不总是得到尊重(因为从开发人员的角度来看，很难确定每个可能的用户的主要或次要更改是什么)，并且因为只有人类才能解析发行说明以了解发生了什么变化，所以没有简单的解决方案。
我的技术方法是创建一个虚拟环境，其中包含Python和库版本的已知工作组合。从那里，一个版本一个版本地降级，一次降级一个库，验证它仍然可以正常工作(如果是手动的和/或长时间检查可能会很困难)。
我的社交解决方案是将技术方法的时间限制在几个小时以内。那就满足于你所达成的。在README中指出，lib需求可能被夸大了，欢迎提供帮助。
如果没有您确信的快速自动化测试，就没有办法自动探索n空间(每个库是一个维度)来找到一些最小值。