考研线性代数平时复习最头疼的就是那些“挑灯夜战”的练习题，翻书看到题目就头大，出于教材上的例题忒标准，而你做题的思路一直想不通。我认定还不如死磕那些机械的推导，不如把备考当成一场抓怪物的游戏。 比如正弦定理，那玩意儿简直就是直线方程的变形，真不认定多此一举。

你看三角形 ABC 里的边角关系，A 点对着 BC 边，B 点对着 AC 边，C 点对着 AB 边，这图一画出来就懂了。但到了向量空间那套理论，你非得把 AB 向量写成 i 加 j 加 k 这种形式，再和 AC、BA 做点积，最终凑成一个常数等于 0 的方程。

这像是把“$a=b$"写成"$a=b$"，再强行拉成"$a^2-b^2=0$"，别看结局一样，但看题的人（特别是带娃的家长）会认定你脑子被墙挡住了。

实际上向量空间里的线面关系，和立体几何里的二面角，本质上就是同一个坐标系下的投影难题，只是视角不一样罢了。你只需求明白：找基底、建方程、解系数，这就够了。 再说说 Lagrange 插值公式，这玩意儿在考研里简直是绕不开的坎。大量人一看公式 $L_n(x)=sum_{k=0}^n y_k P_k(x)$ 就晕了，认定这是巴德尔公式的升级版，赶紧背了。但细究起来，它实际上就是牛顿前缀多项式的另一种写法，本质上是高次多项式在等距节点上的逼近，只不过把变量代换成了下标罢了。别被“下标”两个字带偏了，重点在于它是如何把 $n+1$ 个已知点 $(x_0, y_0), dots, (x_n, y_n)$ 强行拼凑成那个 $n$ 次多项式的。

这就好比你要用四根棍子搭个房子，你知道墙角的位置和高度，你得算出那四个顶点的坐标才能搭起来。插值公式就是给你一套计算顶点的算法，告诉你只要把这 $n+1$ 个点插值出来的 $n$ 次多项式算出来，再代入 $x$ 就能拿到目标值。 还有高斯消元法，听着高级，实际上就是把矩阵变成阶梯形矩阵的过程，然后沿着对角线往右做，消下去就行了。别一看到“矩阵”、“秩”、“初等变换”这三座大山就缩头丧气。

实际上本质上这就是在反复做加减乘除，只是把纸笔换成了 Excel，把每一步的规律换成了某种展开式罢了。

比如求 $Ax=b$ 的解，你能够随意选两个未知数，设 $x_1=x_2=x_3=dots=0$，算出它们对应的 $y$ 值；再设 $x_1=1, x_2=x_3=0$，算出新的 $y$ 值。只不过你用的是代数公式做运算，而不是纸上笔算。

这就像是解一元方程 $ax+b=0$，你是设 $x_1=x_2=0$ 算一次常数项，再设 $x_1=1$ 算一次一次项系数。逻辑是一样的，只是执行介质不同。 实际上啊，线性代数的核心压根儿就不是那些复杂的定理和公式本身，而是它们背后那种“线性”的直觉。

比如矩阵乘法，$AB$ 表示先做 $A$ 再做 $B$，顺序反了结局就彻底不同，就像炒菜时先放盐还是先放醋，顺序变了味道就变了。向量空间里的线性变换，本质上就是坐标系的旋转要么缩放，这种变换要是能在三维空间里画出来，那就一目了然。你只需求记住：所有线性操作都能够归结为基底下的坐标变换，所有代数运算都能够归结为线性组合。 平时做题时，遇到不会的题，千万别急着翻书找“定理”。先试着把题目里的数字代入你熟悉的生活场景里想，要么画个草图（哪怕是虚线框着）看看数据长啥样。

比如计算行列式时，往往不需求急着展开，先观察一下行列式的每一行，有没有明显的倍数关系？

要么看看某个列能不能凑成 0？有时候换个角度看，最终算出来的数值会小一个数量级，要么结构更清楚，那样你后面的计算就会顺畅通顺的。 还有基变换，这玩意儿在考研里常考，但别把它想得那么深奥。它实际上就是你在不同的坐标系下做坐标变换，从一个基 $alpha_1, alpha_2, alpha_3$ 转到另一个基 $beta_1, beta_2, beta_3$。

要是你能搞清这两个基是如何由对方变来的，那么变换矩阵 $P$ 那一对数字，实际上就是你坐标系方向变化的记录。

比如从标准基转到 $vec{i}$ 和 $vec{j}$ 的线性组合，那矩阵就是单位矩阵；要是基向量是 $2vec{i}$ 和 $3vec{j}$，那矩阵里的对角线元素就得是 2 和 3。搞懂了这个，你就不会认定那些复杂的行列式变换是神棍了，它只是你在调整坐标轴的方向。 最终再聊聊特征值和特征向量，这可是考研的必考题。别一看到“矩阵相似”、“谱半径”这些词就懵了。

实际上本质就是问：存有一个不变量存有吗？对于这个变换来说，啥是不变的？这个不变量就是特征值，而与之对应的向量就是特征向量。想象一下，你有一个旋转矩阵，它把空间里的东西转了 $90$ 度，那么哪些东西是一辈子不乱的？只有那些沿着旋转轴转动的东西，它们的方向别看绕了圈，但相对于自己来说，方向没变。

这个“没变”的量就是特征值，对应的“没变”的向量就是特征向量。别看说法有点绕，但既然叫特征向量，那肯定跟它自己平行，跟它垂直的那些向量就是它的“对立面”，也就是零向量要么那个特征向量本身。 实际上整理这些知识，你会发现，线性代数压根儿不是啥高深莫测的学科，它只是数学世界里最通用的语言。甭管是解决工程难题中的最优解，还是计算机图形学里的图像旋转，就连是物理里的量子力学，它都在用这种简洁而有力的方式。复习的时候，少一些对公式的迷恋，多一些对难题的拆解本事。还不如在纸上纠结如何把 $Ax=b$ 写出标准形，不如想想，要是 $A$ 是个变换，比如把向量“放大”要么“压缩”，那 $x$ 代表啥？$b$ 代表啥？要是你能把这些概念串起来，那些繁琐的矩阵计算就会变成你手中好办的工具。 最终，也别指望一套题就能打通所有难关。线性代数的题海战术往往是无效的，出于大量知识点分散在不同的章节和章节之间。你要做的，是保持一种“人人皆可通”的自信心。遇到不懂的，就回去重新理一遍那个核心概念，要么把内心的困惑当成一个庞大的待办事项列出来，明天专门挑出 30 分钟来攻克。

不要恐惧犯错，错别处往往是最佳的复习机会。

毕竟，数学不靠死记硬背，靠的是你在无数次尝试中逐步建立起来的清楚逻辑链条。当你启动享受这种逻辑自洽带来的快感时，考研就只是其中一个小目标罢了。