很多考研的同学在复习线性代数时都有类似的体验：前两章行列式、矩阵学得挺顺，公式背得下来，计算也能算，可一到第三章“向量”，画风突变，概念一个接一个，定理一串又一串，做题时完全不知道从哪下手。坦白讲，我当年备考时也被这一章折磨过，后来给学弟学妹们答疑，发现大多数人卡住的原因其实不是天赋，而是没把这章的逻辑骨架搭起来。这篇就以《李永乐复习全书》第三章“向量”为主线，把这一章拆开揉碎讲清楚，从知识定位、核心方法、易错点到刷题建议一次说透。正在一轮复习的同学可以把它当作导读，复习到二轮还觉得向量混乱的同学，也能拿它来理清思路。
先提醒一句：这篇文章不会帮你把书里的公式重新抄一遍，而是告诉你那些公式到底在解决什么问题、什么时候用哪一个、以及最常见的坑在哪里。搞清楚了这些东西，向量这章就赢了一半。如果你现在对“线性相关”这四个字还停留在“好像背过、但不知道有什么用”的阶段，那正好，下面从它最该被理解的角度开始讲。
1. 向量这一章，在整个线性代数里到底有多重要
1.1 前三章其实是三个台阶
很多同学学向量觉得难，是因为没意识到前两章和第三章之间是层层递进的关系。行列式讲的是方阵的一种“浓缩信息”；矩阵讲的是线性变换的运算规则；而向量这章，终于开始讨论矩阵的“灵魂”——列空间的结构。说得直白一点，第一章和第二章教你“怎么算”，第三章教你“怎么想”。后面第四章方程组解的结构，核心是判断增广矩阵的列向量组是否相关；第五章特征值问题，本质是找满足 Aα = λα 的非零向量；连第六章二次型的标准化，也不过是给向量组换一组基。可以说，第三章学不扎实，后面的综合题基本没戏。
我翻过多套真题后有一个很直观的感受：向量这章在试卷上很少“单独出道”，但几乎每一道大题都藏了它的影子。而且很多同学在进入第四章时觉得“突然不会做题了”，回头一看，往往不是第四章的问题，而是第三章的秩与相关性没过关。所以这一章的优先级，值得你用整块时间认真对待。
1.2 真题里的考察方式，比你想象的更灵活
选择题喜欢考给定几个向量的相关性判断、向量组秩的求法、极大线性无关组的选择；填空题爱考线性表示的系数、向量组等价的条件、抽象向量组的秩。大题则会把向量和线性方程组、矩阵的秩捆绑在一起，比如给出含有参数的向量组，要求讨论什么情况下线性相关、什么情况下线性无关；或者结合特征向量，要求证明一组向量的线性无关性。数一的同学还要额外面对向量空间的内容，比如给定一组基求坐标、用施密特正交化处理特征向量，这些在复习全书第三章里都有专门板块，不要因为看着抽象就跳过。
如果只记一句重点，那就是：向量这章的选择填空属于“秒杀题”，但证明题才是拉开差距的地方。而证明题的突破口，几乎都落在定义法上。
1.3 对应复习全书第三章，怎么用效果最好
《李永乐复习全书》第三章的安排顺序大致是：n维向量概念、线性组合与线性表示、线性相关与线性无关、极大线性无关组与向量组的秩、向量组等价，最后是数一方向的向量空间。这个顺序本身就很值得注意，它是从“概念”走向“方法”再走向“应用”的递进。我建议第一轮复习时不要试图把每个定理的证明都啃下来，优先掌握几个判定工具，把例题做明白。全书里的例题覆盖了从基本定义到综合应用的不同档位，第一轮做不全对很正常，关键是每道题都要有“自己先做、再对答案、最后反思”的过程。这本书的优点在于归纳性强、结论给得全，缺点在于题量不算大，所以我通常会建议配合一本基础习题册一起用，让第三章的熟练度真正到位。
有一个小技巧：把全书里的“重要公式与结论”当成填空题来默写，而不是只看不写。向量这章的结论很多，光在脑子里过一遍和写出来完全是两码事。
2. 向量的基础知识框架，先把概念串起来
2.1 n维向量到底是个什么东西
n维向量就是有序数组，比如 α = (1, 2, 3)^T 就是一个三维列向量。你可以把它看成空间里的一个点或一个箭头，但更重要的是把它理解为“一组数据”。多个向量放在一起就构成向量组。向量的线性组合，就是拿一组数对向量做加权求和，比如 2α + 3β。向量组之间能否互相表示、组内是否存在多余向量，构成了线性表示和线性相关这两大基础概念。初学阶段最容易犯的错，是把向量当成普通数字去理解，忽略了“向量之间是否存在约束关系”这层含义。
举个例子，α = (1, 0, 0)^T 和 β = (0, 1, 0)^T 这两个向量都很简单，但放在一起看，它们互相独立，谁也不能代替谁；如果再加一个 γ = (1, 1, 0)^T，情况就变了，因为 γ 是 α 和 β 的和，它就是一个“冗余”向量。这一组三个向量放在一起就相关了。
2.2 线性表示和线性相关，是同一个硬币的两面
“α 可以由 β1, β2, ..., βs 线性表示”的意思，就是存在一组数 k1, k2, ..., ks，使得 α = k1β1 + k2β2 + ... + ksβs。从方程组角度看，这等价于一个非齐次线性方程组有没有解。而“向量组 β1, β2, ..., βs 线性相关”，说的是存在一组不全为零的系数，让它们的线性组合等于零向量。这两个概念的核心联系是：一个向量组线性相关，当且仅当其中至少有一个向量可以由其余向量线性表示。换句话说，相关性描述的其实是“组内是否存在冗余信息”。
我常用一个生活化的比喻：如果说三个人各说了一段话，其中一个人的话可以被另外两个人推导出来，那么这个信息组就是“相关”的；反之，如果谁都不能被其他人取代，它就是“无关”的。这个视角在证明题里非常有用，后面我还会反复提到。
2.3 极大线性无关组：在冗余信息里挑出骨架
一个向量组哪怕有几十个向量，其中真正“独立”的往往只有少数几个。极大线性无关组，就是包含向量个数最多、且自身线性无关的那一组。注意，极大线性无关组不唯一，但向量个数固定，这个个数就是向量组的秩。很多同学分不清极大线性无关组和向量组本身的区别，其实可以类比成“一句话里真正不能删的关键词”：几个关键词互相独立、缺一不可，其他词都是它们的线性组合。
比如说向量组 α1 = (1, 2, 3)^T，α2 = (2, 4, 6)^T，α3 = (1, 0, 1)^T。因为 α2 = 2α1，所以 α2 是冗余的，{α1, α3} 就是一个极大线性无关组，秩为 2。注意 {α2, α3} 也可以，因为 α1 同样能被 α2 和 α3 表示，这就是“不唯一”的含义。
3. 线性相关性的四种判定方法，做题不再靠猜
3.1 最原始也最硬核的定义法
定义法就是老老实实设 k1α1 + k2α2 + ... + ksαs = 0，然后判断这个齐次线性方程组是否只有零解。如果只有零解，则线性无关；如果有非零解，则线性相关。这个方法看似笨，但在证明题里几乎不可替代，尤其是抽象向量组的证明题。比如题目只告诉你“α1, α2, α3 线性无关”，要你证明某个组合也线性无关，这时候没有具体数字可算，只能从定义出发，先设组合为零，再一步步反推系数全为零。这种题在复习全书里数量不少，我建议定义法的操作方式要熟练到不用过脑子：写出组合式、整理成方程组、判断解的情况。任何快速技巧失效的时候，定义法就是兜底方案。
很多同学嫌定义法麻烦，结果遇到抽象题直接傻眼。这属于基本功没打牢，不是题目太难。向量这章一旦进入证明题环节，定义法的地位会迅速上升，甚至可以说是唯一通用的方法。
3.2 用秩来判定，秒出结论
理论依据是：向量组线性相关 ⇔ 向量组的秩小于向量的个数；线性无关 ⇔ 向量组的秩等于向量的个数。实际操作中，我们把向量按列排成矩阵，做初等行变换化成阶梯形，非零行数就是矩阵的秩，也就是列向量组的秩。举个例子，三个向量 α1 = (1, 1, 0)^T，α2 = (2, 2, 0)^T，α3 = (1, 0, 1)^T，按列排成矩阵：
1 2 1 1 2 0 0 0 1
对矩阵做初等行变换：第二行减去第一行，得到
1 2 1 0 0 -1 0 0 1
第三行再加第二行，得到
1 2 1 0 0 -1 0 0 0
非零行只有两行，秩为 2，小于向量个数 3，所以这个向量组线性相关。其实一眼也能看出来 α2 = 2α1，但这个流程的意义在于：哪怕你看不出来，秩判定法也能给你确定答案。选择填空基本用它，既快又稳。
3.3 行列式法和几何法，特定场景更轻松
如果向量组的向量个数等于向量维数，也就是说矩阵是方阵时，可以直接算行列式。行列式不为零则线性无关，为零则线性相关。这个方法速度快，但只适用于向量个数等于向量维数这一种情况，不能乱用。比如 α1 = (1, 0, 1)^T，α2 = (0, 1, 1)^T，α3 = (1, 1, 2)^T，组成的三阶行列式为 1×(1×2 − 1×1) − 0 + 1×(0×1 − 1×1) = 1 − 1 = 0，所以线性相关。事实上 α3 = α1 + α2，验证起来很直观。
几何法更多是辅助理解：两个向量相关就是共线，三个向量相关就是共面，四个及以上向量在三维空间里必然相关。我在复习时喜欢先把向量想象成几何图形，比如三个向量共面，天然就是相关关系，虽然不能直接用来写步骤，但对判断结论和检查结果很有帮助。遇到抽象的“存在性”题目时，几何直觉能提供一个方向，再回头用定义或秩法严格证明。
4. 秩、极大线性无关组与向量组等价，全章的题眼
4.1 矩阵秩、向量组秩、极大线性无关组，三者的对应关系
这里有一个必须刻在脑子里的结论：矩阵的秩等于行向量组的秩，也等于列向量组的秩，还等于任一极大线性无关组中向量的个数。换句话说，秩是矩阵和向量组之间最关键的桥梁。求秩的方法就是做初等行变换化成阶梯形，数非零行。更重要的是，初等行变换不改变列向量组的线性关系，这意味着我们可以在变换前后的矩阵之间建立“主元列”的对应关系，从而在化简后的矩阵里找到原向量组中的极大线性无关组。
这部分的常见误区在于：有人觉得行变换和列变换都可以用。求矩阵的秩时，行列变换混用确实不改变秩的大小，但如果还想讨论列向量组的线性关系、极大线性无关组，那就只能做行变换。混用之后，化简结果里虽然能看出秩，却无法准确指回原来的列向量，得不偿失。我建议从头到尾统一用行变换，省心也不会错。
4.2 向量组等价，用三个秩来判断
两个向量组互相可以线性表示，就说它们等价。判定等价有一个非常好用的充要条件：设 A、B 分别是以两组向量为列构造的矩阵，那么 A 组与 B 组等价，当且仅当 r(A) = r(B) = r(A, B)。这里的 r(A, B) 是把两组向量拼在一起构成的新矩阵的秩。这个结论是选择题的高频考点，必须理解而不是死记。它背后的逻辑是：r(A) = r(A, B) 说明 B 组加进来并没有带来更多独立方向，也就是说 B 组可以被 A 组线性表示；同理 r(B) = r(A, B) 说明 A 组可以被 B 组线性表示。两边都成立，自然就是等价。
举个例子，A 组取二维平面的标准基 α1 = (1, 0)^T、α2 = (0, 1)^T，B 组取 β1 = (1, 1)^T、β2 = (1, −1)^T。显然 A、B 各自都能张成整个二维平面，所以 r(A) = 2，r(B) = 2，拼接矩阵的秩也是 2，两组等价。如果把 B 组换成只有一个向量 β = (1, 1)^T，那么 r(B) = 1，拼接矩阵的秩为 2，两组就不等价了，这也符合直觉：一个向量显然无法表示任意二维向量。
4.3 找极大线性无关组并表示其余向量的完整操作
这一小节是本章最实用的操作题。我们看一个具体的四维例子。设列向量组：
α1 = (1, 1, 2, 3)^T α2 = (1, 2, 3, 4)^T α3 = (2, 3, 4, 5)^T α4 = (1, 3, 5, 7)^T
把它们排成矩阵 A：
1 1 2 1 1 2 3 3 2 3 4 5 3 4 5 7
做初等行变换。第二行减第一行，第三行减两倍第一行，第四行减三倍第一行，得到：
1 1 2 1 0 1 1 2 0 1 0 3 0 1 -1 4
再让第三行减第二行，第四行减第二行：
1 1 2 1 0 1 1 2 0 0 -1 1 0 0 -2 2
最后第四行减两倍第三行：
1 1 2 1 0 1 1 2 0 0 -1 1 0 0 0 0
阶梯形里有三个非零行，所以向量组的秩为 3。主元列是第一列、第二列、第三列，因此原向量组中的 α1、α2、α3 就是一个极大线性无关组。至于 α4，事实上 α4 = 3α2 − α3，你可以自己代入验证：(1, 2, 3, 4)×3 − (2, 3, 4, 5) = (1, 3, 5, 7)，正好成立。这种“找主元列、再回代求系数”的流程是标准操作，建议每一步变换都写在草稿纸上，不要跳步，否则很容易在某一步把符号算错。
5. 数一专属的向量空间：基、坐标与施密特正交化
5.1 基、维数、坐标：用“方向”和“刻度”来理解
向量空间这个概念，可以通俗地理解成“若干向量经过线性组合能得到的所有向量的集合”。基，就是能张成这个空间的一组线性无关向量；维数，就是基里向量的个数；坐标，就是把某个向量表示成基的线性组合时的那组系数。举个例子，标准三维空间中，基可以取 e1 = (1, 0, 0)^T，e2 = (0, 1, 0)^T，e3 = (0, 0, 1)^T，那么任意向量 (x, y, z)^T 在这组基下的坐标就是 (x, y, z)。如果换成另一组基 α1 = (1, 1, 0)^T，α2 = (1, −1, 0)^T，α3 = (0, 0, 1)^T，同样的向量坐标就不一样了。这正是坐标变换要解决的问题。
这里我不建议死记坐标变换公式，而是先想清楚“谁在谁的基下”这个问题。很多数一同学在过渡矩阵上丢分，不是因为不会求，而是因为把新旧基的顺序搞反了，导致最后坐标结果差一个逆矩阵。
5.2 施密特正交化：公式好记，算错常在一处
施密特正交化的作用，是把一组线性无关的向量变成一组两两正交的向量，必要时再单位化。公式是：
β1 = α1 β2 = α2 − (α2·β1)/(β1·β1) × β1 β3 = α3 − (α3·β1)/(β1·β1) × β1 − (α3·β2)/(β2·β2) × β2
这里面最容易算错的地方是投影系数里那个分母，它必须是前面已经算好的 βi 的内积，而不是 αi 的内积。换句话说，后一个向量在减法时，要减去它在前面所有已正交化向量上的投影，而不是在原向量上的投影。
举个简单的例子：α1 = (1, 1, 1)^T，α2 = (1, 2, 3)^T。先取 β1 = α1 = (1, 1, 1)^T。计算 β2，α2·β1 = 1+2+3 = 6，β1·β1 = 3，所以 β2 = (1, 2, 3)^T − (6/3)(1, 1, 1)^T = (1, 2, 3)^T − (2, 2, 2)^T = (−1, 0, 1)^T。最后单位化得到 γ1 = (1/√3)(1, 1, 1)^T，γ2 = (1/√2)(−1, 0, 1)^T。整个过程每一步都清晰可查，考场上只要注意别把系数代入错，基本不会失分。
5.3 过渡矩阵和坐标变换，公式别记反
设向量空间有两组基 α1,...,αn 和 β1,...,βn。若 (β1,...,βn) = (α1,...,αn)P，也就是说 P 的每一列都是对应的 β 向量在 α 基下的坐标，那么 P 就是从基 α 到基 β 的过渡矩阵。对于同一个向量 γ，设它在 α 基下的坐标为 x，在 β 基下的坐标为 y，则 x = Py，即 y = P^{-1}x。这个公式很多同学记反，我的窍门是：既然 P 的列是“β 看 α”的坐标，那么 P 自然负责把“β 坐标”翻译成“α 坐标”，反过来就要乘逆矩阵。你可以用二维标准基和一个旋转基自测一遍，固定一个向量在两个基下的坐标，想一想哪个公式符合几何直觉，就再也不会混了。
6. 高频易错点、复习节奏与刷题建议
6.1 我见过太多人踩的四个坑
第一个坑：把“线性相关”和“两两相关”混为一谈。比如 α1 = (1, 0)^T，α2 = (0, 1)^T，α3 = (1, 1)^T，这三个向量两两之间都线性无关，但整体是线性相关的，因为 α3 = α1 + α2。判断相关性必须看整体能否找到非零系数组合为零，而不是两两之间有没有比例关系。
第二个坑：用行变换时打乱了列的顺序。初等行变换不改变列向量组的线性关系，但如果你在化简过程中把两列交换了，阶梯形里主元列对应的原列就变了。为了安全起见，化简时不要交换列，只做行变换，这样主元列标号不会乱。
第三个坑：求秩时行列变换混用。求矩阵的秩本身可以混用，但如果目的是找极大线性无关组、表示其余向量，混用会破坏列向量之间的线性关系信息。强烈建议从头到尾只做初等行变换，把这个习惯固定下来。
第四个坑：数二、数三考生花大量时间研究向量空间和施密特正交化。这部分在数二、数三的考纲里基本不涉及，不是复习全书里写了一定都要学。看目录时先确认自己考纲的范围，再决定投入多少时间，效率会高很多。
6.2 刷题节奏参考
基础阶段可以给第三章安排三到四天。第一天主攻概念、线性表示、相关性定义；第二天主攻秩、极大线性无关组；第三天主攻向量组等价和综合题；第四天数一加向量空间，数二数三可以拿这一天来二刷前面的错题。每天两小时左右，优先做完复习全书第三章的例题，再补充一本习题册的基础题。
强化阶段要重点做“向量 + 方程组”的综合题，这几乎是每年必考的组合方式。把这些综合题的每一步都写清楚，尤其是矩阵初等变换的过程，不要直接跳到最后一步。冲刺阶段再回头做真题中的相关小题，你会发现很多题的思路其实是固定的。
6.3 一个小技巧：把“相关”翻译成“冗余”
判断一个向量组是否线性相关，其实就是看里面有没有“废话”。如果有向量可以由其他向量表示，它就是冗余的。这个视角在做证明题时特别有用：想证明线性无关，就证明谁都代替不了谁；想证明相关，就找出一个能被表示的向量。我在考前把所有这一章的重要定义、判定条件、常用结论用一张 A4 纸手写了一遍，包括符号和适用条件，考场上做题时脑子特别清晰。这个方法不一定适合所有人，但值得试一试，尤其是对向量概念一直糊里糊涂的同学。
最后再说说我自己复习这章的体会。向量这章不是靠背能拿下的，因为它考得更多的是逻辑。比如同样是判定线性相关，换一种说法放进证明题里，很多人就认不出来了。所以刷题时遇到不会的题，不要急着看答案，先回头想想它到底在考哪个概念，把题目翻译成“是否存在非零系数”“秩是否为 n”“能否互相表示”这三句话之一，思路往往就通了。还有一个我亲测有效的小技巧：全书第三章后面的练习题，用铅笔做、对完答案再擦掉，过两周重做一遍，比反复看旧题有效得多。祝大家这章学得扎实，后面的线性方程组和特征值，就会顺畅很多。
