标题：线性代数公式大全——不是速查表，是数学世界的通关地图

你翻开一本《线性代数》，第一页写着“向量空间”，第三页蹦出“Ax=0有非零解当且仅当det(A)=0”；翻到中间，突然被正交投影、特征值分解、奇异值搅得头晕目眩。合上书时心里想：“这些符号到底在替谁说话？”
别急。这不是考试前夜的手忙脚乱清单，而是一份带呼吸感的梳理——像老朋友坐在窗边泡了壶茶，在纸上随手画几笔给你讲清楚那些真正绕不开的核心。

一、“起点从来不在原点”：基础定义与约定
我们习惯把矩阵当成方阵来记，但现实里它更常是个瘦高个（m×n），或矮胖型（n×1列向量）。记住三件小事：第一，“转置不改变秩”是真的，但它会悄悄调换你的视角；第二，单位矩阵I从不说废话，只干一件事——乘谁都等于谁本身；第三，请永远对行阶梯形保持敬意，它是所有计算沉默却可靠的引路人。没有这个形态打底，求逆也好、通解也罢？都只是空中楼阁上的涂鸦。

二、“关系比结果更重要”的运算规则
行列式不像加减法那么直白，可它的脾气很统一：交换两行变号，某一行提公因子就往外挪一层括号，全为零的一行直接让整个det归零。至于迹tr(A)，那个主对角线上数字之和，则像个低调管家，默默守着相似变换下的不变本质。还有那句反复出现的话：“若AB=E，则BA=E”。听起来反常识，实则藏着一个世界秩序的前提条件——A必须先活成满秩的模样才行。它们都不是冷冰冰的规定，而是某种逻辑契约的结果签名。

三、“结构决定命运”的核心定理群落
秩–零化度定理说：dim(Im A)+ dim(Ker A) = n。这句话背后站着的是整座现代数据科学的大厦地基。再比如谱定理告诉我们的事很简单又深刻：正规矩阵一定可以舒舒服服地对角化，就像人终于找到了最贴身的姿态站立于光下。“为什么需要SVD？”有人问。答案藏在这句话之后：“即使不可逆、不对称、甚至不满秩的数据矩阵，也能借由UΣVᵀ拆开来看清自己每一道纹理。”这哪是什么工具技巧啊？分明是在教你怎么读懂混乱里的节奏。

四、“记忆是有温度的选择”
我不建议背诵全部公式。与其硬啃上百条变形推导，不如牢牢记住五个锚点：① Ax=b是否有解→看b是否落在Col(A); ② 解集长什么样→特解+齐次通解; ③ 矩阵能不能翻回来→检查rank(A)==size & det≠0; ④ 变换怎么影响几何形状→关注其本征方向v及缩放倍率λ ; ⑤ 最后一步优化目标为何总指向最小二乘？因为误差项e=A x̂ − b 必须垂直于Column Space ——那是唯一能让内积< e, Av >=0成立的方式，也是理性所能抵达最近的人间角度。

五、“当你开始怀疑公式意义的时候……恭喜”
学完一遍你会发觉，很多所谓“难点”，其实卡在一个动作没做透：没能亲手用数值算过一次QR分解，没见过病态条件下cond(A)如何爆涨十位以上，也没试过对着一张灰度图手动走一遍像素矩阵降维过程。真正的理解往往诞生于笨拙的操作中，而非流畅的记忆流里。

这份‘公式大全’无意替代课本，也不打算让你一夜成为高手。只想告诉你一点真实感受：线性代数并非堆砌术语的游戏场，它是一种思维方式的习惯养成课。每一个看似抽象的等式后面，都有人在面对实际问题时留下的指纹与叹息。只要还愿意一次次回到Ax的意义上去追问，你就已经站在入口处了。门开着，风往里面吹。