企业官网建设流程全解析

1. 为什么“刷习题”才是线性代数的真正入口

很多人第一次接触线性代数，都是从矩阵、行列式、向量空间这些名词开始的。课堂上老师讲得飞快，课本上的定义一条接一条，等到真正做题的时候，才发现自己连题目在问什么都没搞明白。这个现象太普遍了，我自己当年也是这样过来的。后来我慢慢意识到一个问题：线性代数这门课，光看是看不懂的，必须动手做。而“MIT 线性代数习题”这个关键词背后，其实指向的是一整套被无数学习者验证过的练习体系——它对应着一门经典公开课的配套习题资源，题目设计从基础计算到理论证明层层递进，覆盖了向量、矩阵、线性方程组、特征值、正交性、行列式等全部核心模块。

这套习题到底能做什么？简单说，它能帮你把“看懂”变成“会做”。每一道题都在逼你调用定义、推导关系、验证结论，而不是被动地接受信息。它适合谁？适合正在学线性代数的大学生、准备考研的理工科考生、想补数学基础的转行者，以及任何需要用到矩阵运算的从业者——比如做数据分析的、搞机器学习的、写图形程序的。你不需要天赋异禀，只需要愿意拿起笔，一道一道地啃。

我写这篇东西，不是要给你一份标准答案，而是想把我自己刷这套习题时踩过的坑、总结的方法、以及那些“原来如此”的瞬间，完整地分享出来。如果你正对着某道题发呆，或者刷了几十道题还是觉得脑子一团浆糊，那接下来的内容应该能帮到你。

2. 习题体系的全貌与刷题前的认知准备

2.1 这套习题到底包含什么

MIT 线性代数习题并不是一本装订好的纸质练习册，而是一套分散在课程各章节后面的问题集。它的结构跟课程进度严格对应，通常每一讲后面都配有一组题目，数量从几道到十几道不等。从内容上看，大致可以分成几个层次：

• 基础计算题：矩阵乘法、高斯消元、求逆、算行列式、求特征值。这类题目占比较大，目的是让你对运算流程形成肌肉记忆。
• 概念辨析题：判断某个命题的真假，或者从几个选项中选出正确的表述。这类题最容易被忽视，但恰恰是检验你是否真正理解定义的关键。
• 证明题：要求你从定义出发，推导某个性质或定理。比如证明矩阵可逆的等价条件、证明特征向量线性无关等。
• 应用题：把线性代数工具用到具体场景中，比如最小二乘拟合、图论中的邻接矩阵、微分方程组的矩阵形式。

这四类题目的难度是递增的，但并不是严格按顺序出现。有时候一道基础计算题里会埋一个概念陷阱，有时候一道证明题反而只需要套定义就能完成。我的建议是：不要跳着做，但也不要死磕。每道题给自己设定一个时间上限，比如十五分钟，超过就先标记，回头再看。

2.2 刷题之前必须想清楚的三个问题

很多人一上来就翻开习题开始做，做了几道发现寸步难行，然后就开始怀疑自己是不是不适合学数学。问题往往不出在智力上，而出在准备上。在动手之前，你需要先确认三件事：

第一，你的工具是否齐全。线性代数的习题离不开纸笔，但光有纸笔不够。你需要一份清晰的公式表，把矩阵运算规则、行列式性质、特征值定义、正交投影公式都列在一起。你还需要一个能帮你验证计算结果的工具——可以是一个简单的计算脚本，也可以是手算之后用另一种方法交叉验证。我个人的习惯是：手算一遍，然后用 Python 的 NumPy 库跑一遍，对比结果。如果不一样，就回头找哪一步出了问题。

第二，你的定义是否清晰。线性代数里很多错误都源于对定义的模糊理解。比如“线性无关”到底是什么意思？“秩”的几何意义是什么？“特征向量”为什么要求非零？这些问题如果答不上来，做题就是碰运气。我的做法是：每做一道题之前，先把涉及的定义在草稿纸上默写一遍。写不出来，就回去翻书，翻完再写，直到能准确复述为止。

第三，你的心态是否摆正。刷习题不是考试，做错了不丢人。相反，做错才是常态，做对才是意外。我见过太多人因为一道题卡了半小时就放弃整本习题，这太可惜了。你要把每一道错题当成一次诊断，它告诉你哪个知识点还有漏洞，哪个方法还没掌握。把错题记录下来，过几天再做一遍，直到能独立完成。

2.3 一个容易被忽略的准备工作：建立符号直觉

线性代数里充满了符号：A、x、b、λ、Σ、det、rank、null space……初学者很容易被这些符号吓住，觉得它们抽象得无法理解。但其实每一个符号背后都有具体的几何或代数含义。比如：

• 矩阵 A 可以看作一个线性变换，它把向量 x 映射成另一个向量 b。
• 行列式 det(A) 衡量的是这个变换对空间的“缩放倍数”。
• 特征值 λ 表示变换在某个方向上的伸缩比例。
• 秩 rank(A) 告诉你变换后的空间维度是多少。

如果你能在脑子里把这些符号和它们的几何意义对应起来，做题的时候就不会觉得是在摆弄一堆没有生命的数字。我自己的经验是：每遇到一个新符号，就画一张图。比如学特征值的时候，画一个向量被矩阵作用后方向不变、长度伸缩的示意图。画多了，符号就活了。

3. 核心题型的拆解与实操方法

3.1 线性方程组：从消元到解的结构

线性方程组是整门课的起点，也是习题里出现频率最高的题型。一道典型的题目会给你一个矩阵方程 Ax = b，要求你判断解的存在性、唯一性，或者求出通解。

操作流程是这样的：

1. 写出增广矩阵 [A | b]。
2. 用高斯消元法把 A 化成行阶梯形。
3. 判断秩的关系：如果 rank(A) < rank([A|b])，无解；如果 rank(A) = rank([A|b]) = n（未知数个数），有唯一解；如果 rank(A) = rank([A|b]) < n，有无穷多解。
4. 对于无穷多解的情况，找出主元列和自由变量，写出通解。

这个过程看起来机械，但里面有几个坑。第一个坑是消元过程中容易算错符号，尤其是遇到分数的时候。我的应对方法是：尽量用整数运算，遇到分数先通分，或者干脆用分数形式保留，最后再化简。第二个坑是自由变量的选取。自由变量不是随便选的，它对应的是非主元列。你得先确定哪些列是主元列，剩下的才是自由变量。

注意：在写通解的时候，一定要把特解和零空间解分开写。特解是 Ax = b 的一个具体解，零空间解是 Ax = 0 的通解。两者相加才是 Ax = b 的通解。

我当年做这类题的时候，经常忘记验证。后来养成了一个习惯：求出通解之后，随便代一个自由变量的值进去，算出一个具体的 x，然后代回原方程看是否满足。这个验证步骤花不了多少时间，但能帮你抓住大部分计算错误。

3.2 矩阵运算：乘法、逆、转置的联合运用

矩阵运算题看起来简单，但组合起来就容易出错。比如给你三个矩阵 A、B、C，让你求 (AB)^T C^{-1} 或者类似的表达式。这类题考察的是你对运算规则的熟练程度。

关键规则要记牢：

• (AB)^T = B^T A^T，顺序要反过来。
• (AB)^{-1} = B^{-1} A^{-1}，同样要反过来。
• (A^T)^{-1} = (A^{-1})^T，这个顺序无所谓。
• 矩阵乘法不满足交换律，AB ≠ BA。

这些规则单独看都懂，但混在一起就容易搞混。我的方法是：把每个规则编成一个简单的口诀，比如“转置逆，反着来”。做题的时候，先一步一步写清楚每一步用了哪条规则，不要跳步。跳步是错误的主要来源。

还有一个常见的陷阱：题目会给你一个矩阵，让你判断它是否可逆。很多人第一反应是算行列式，但有时候行列式很难算。这时候可以观察矩阵的行或列是否线性相关。如果存在一行是另一行的倍数，或者某一列全为零，那矩阵肯定不可逆。这种观察法比硬算行列式快得多。

3.3 特征值与特征向量：从定义到对角化

特征值问题是线性代数里最核心也最容易让人困惑的部分。一道典型的题目会给你一个 3×3 矩阵，让你求所有特征值和对应的特征向量，然后判断能否对角化。

标准步骤：

1. 写出特征方程 det(A - λI) = 0。
2. 解这个多项式方程，得到所有特征值。
3. 对每个特征值 λ，解方程组 (A - λI)x = 0，得到对应的特征向量。
4. 检查每个特征值的代数重数和几何重数是否相等。如果相等，矩阵可对角化；否则不可对角化。

这里最大的难点是特征方程的求解。对于 2×2 矩阵，特征方程是一个二次方程，用求根公式就行。对于 3×3 矩阵，特征方程是一个三次方程，有时候需要试根。我的经验是：先试 λ = 0, 1, -1, 2, -2 这些简单的整数。如果矩阵的元素都是整数，特征值往往也是整数或者简单的分数。试出一个根之后，用多项式除法降次，再解剩下的二次方程。

提示：在求特征向量的时候，不要忘记特征向量必须是非零向量。有时候解出来的方程组只有一个自由变量，那特征向量就是这个自由变量对应的基向量。如果有两个自由变量，那特征空间就是二维的，需要找两个线性无关的特征向量。

对角化的问题，关键在于判断几何重数是否等于代数重数。代数重数是特征值在特征方程中作为根的重数，几何重数是特征空间的维度，也就是 n - rank(A - λI)。如果对某个特征值，几何重数小于代数重数，矩阵就不可对角化。这个判断在习题里经常出现，一定要练熟。

3.4 正交性与投影：几何直觉的试金石

正交性这部分，题目往往跟投影、最小二乘、Gram-Schmidt 正交化有关。这类题的特点是计算量大，但几何意义清晰。如果你能画出图来，就不容易出错。

投影的核心公式：

• 向量 b 在向量 a 上的投影是 proj_a b = (a^T b / a^T a) a。
• 向量 b 在子空间 W 上的投影是 proj_W b = A(A^T A)^{-1} A^T b，其中 A 的列向量是 W 的一组基。

这两个公式看起来复杂，但本质是一样的：先找到方向，再算比例，最后乘回去。我在做这类题的时候，会先把 a 和 b 画出来，目测一下投影的大致方向和长度，然后再算。算完之后对比一下，如果差得太远，就说明哪里出错了。

Gram-Schmidt 正交化是另一个高频考点。步骤是：取第一个向量作为第一个正交基，然后第二个向量减去它在第一个向量上的投影，得到第二个正交基，以此类推。最后把每个正交基单位化，就得到标准正交基。这个过程计算量很大，容易算错。我的建议是：每一步都写清楚，不要跳步，算完一个向量就验证一下它是否与前面的向量正交。

3.5 行列式：性质比计算更重要

行列式的计算题在习题里占比不小，但真正拉开差距的不是计算速度，而是对性质的理解。比如题目会问：如果交换矩阵的两行，行列式怎么变？如果某一行是另外两行的线性组合，行列式是多少？如果矩阵是上三角的，行列式怎么算？

核心性质：

• 交换两行，行列式变号。
• 某一行乘以常数 k，行列式乘以 k。
• 某一行加上另一行的倍数，行列式不变。
• 如果两行相同或成比例，行列式为 0。
• 上三角或下三角矩阵的行列式等于对角线元素之积。

这些性质看起来简单，但在综合题里经常组合出现。我的做法是：拿到一个行列式，先观察有没有明显的行关系，能不能通过行变换化成三角形。如果能，就用性质化简，最后算对角线乘积。如果不行，再考虑按行或按列展开。展开的时候，尽量选零多的行或列，这样计算量最小。

注意：行列式为 0 意味着矩阵不可逆，这是判断可逆性的重要依据。但反过来，行列式不为 0 只是可逆的必要条件，不是充分条件——对于方阵来说，行列式不为 0 确实等价于可逆。这一点在习题里经常被用来设置陷阱。

4. 刷题过程中最常见的六个坑与排查方法

4.1 计算错误：符号、分数、抄错行

这是最普遍的问题，没有之一。我统计过自己做错的题目，大概有六成以上都是计算错误，而不是概念不清。常见的计算错误包括：负号漏写、分数化简出错、矩阵某一行抄错、消元时加减法算错。

排查方法：

• 每一步都写清楚，不要跳步。跳步是计算错误的最大来源。
• 算完之后用另一种方法验证。比如解方程组的解代回原方程，矩阵乘法的结果用 NumPy 验证。
• 对于符号问题，可以在草稿纸上把负号圈出来，提醒自己注意。
• 对于分数问题，尽量保持分数形式，不要过早化成小数。

我自己的习惯是：每做完一道题，花三十秒快速检查一遍关键步骤。这个习惯帮我省下了大量回头找错误的时间。

4.2 概念混淆：秩、零空间、列空间分不清

秩、零空间、列空间、行空间这几个概念经常被混在一起。题目会问：矩阵的秩是多少？零空间的维度是多少？列空间的基是什么？如果你分不清这些概念，就很容易答非所问。

快速区分：

• 秩 rank(A) = 列空间的维度 = 行空间的维度 = 主元列的个数。
• 零空间 null(A) 是 Ax = 0 的所有解构成的集合，其维度是 n - rank(A)。
• 列空间 col(A) 是 A 的列向量的所有线性组合构成的集合，其基是主元列对应的原始列。
• 行空间 row(A) 是 A 的行向量的所有线性组合构成的集合，其基是行阶梯形中的非零行。

这些关系在习题里经常以判断题的形式出现。我的建议是：把秩-零化度定理（rank + nullity = n）背熟，遇到问题先想这个定理。

4.3 特征值计算：三次方程解不出来

3×3 矩阵的特征值计算是很多人的噩梦。特征方程是一个三次多项式，有时候没有有理根，只能用数值方法。但在习题里，出题人通常会设计成有整数根或简单分数根的形式。

应对策略：

• 先试简单的整数根：0, 1, -1, 2, -2, 3, -3。
• 如果试出一个根，用多项式除法降次，把三次方程变成二次方程。
• 如果试不出整数根，检查一下矩阵是不是有特殊结构，比如对称矩阵（特征值都是实数）、三角矩阵（特征值就是对角线元素）。
• 实在不行，用求根公式或者数值方法，但这种情况在习题里很少见。

提示：对称矩阵的特征值一定是实数，而且不同特征值对应的特征向量一定正交。这个性质在习题里经常用来简化计算。

4.4 证明题：不知道从哪下手

证明题是很多人最头疼的部分。题目往往只有一句话：“证明某某性质成立。”没有数字，没有矩阵，只有抽象的定义和符号。很多人看到这种题就懵了。

我的证明题方法论：

1. 把题目中的每个词都翻译成定义。比如“A 可逆”翻译成“存在矩阵 B 使得 AB = BA = I”。
2. 从定义出发，一步一步推导。不要试图一步到位，先写出已知条件，再写出要证明的结论，然后找中间的联系。
3. 如果卡住了，试试反证法。假设结论不成立，看看会推出什么矛盾。
4. 多用等价条件。比如“A 可逆”等价于“det(A) ≠ 0”等价于“Ax = 0 只有零解”等价于“A 的列向量线性无关”。这些等价条件在证明题里非常有用。

我自己的经验是：证明题做多了，就会形成一种直觉。看到某个条件，就知道该往哪个方向推。这种直觉不是天生的，是练出来的。

4.5 应用题：不知道如何建模

应用题的特点是文字多，背景复杂，需要你把实际问题转化成线性代数模型。比如最小二乘问题、网络流问题、马尔可夫链问题。很多人看到文字就晕，不知道从哪开始。

建模步骤：

1. 找出问题中的变量和参数。变量是你要解的，参数是已知的。
2. 找出变量之间的关系。这些关系通常可以写成线性方程或矩阵方程。
3. 确定目标。是求精确解还是近似解？是求最优解还是可行解？
4. 把关系写成矩阵形式，然后调用相应的线性代数工具。

比如最小二乘问题，目标是最小化 ||Ax - b||^2。解法是解正规方程 A^T A x = A^T b。这个公式在习题里经常出现，一定要记住。

4.6 时间管理：在一道题上卡太久

这是策略问题，不是知识问题。很多人做习题的时候，遇到一道难题就死磕，结果一个小时过去了，其他题都没做。这种刷题方式效率极低。

我的时间管理方法：

• 每道题设定一个时间上限，比如十五分钟。
• 超过时间上限就标记，先跳过，做后面的题。
• 等所有题都做完一遍之后，再回头处理标记的题。
• 如果回头还是做不出来，就看答案或者问人。看懂之后，自己再独立做一遍。

这个方法的核心逻辑是：不要让一道题阻塞整个学习流程。线性代数的知识点是相互关联的，后面的题可能会给你前面的题提供灵感。先做一遍，再回头，往往会有新的思路。

5. 从习题到实战：如何把刷题成果转化成真实能力

5.1 建立错题本：不是抄题，是写诊断

很多人有错题本，但用法不对。他们把错题抄一遍，答案抄一遍，然后就再也不看了。这种错题本没有任何价值。真正有用的错题本，应该记录的是：这道题我为什么错了？是概念不清、计算失误、还是方法不对？正确的思路是什么？下次遇到类似的题，我该怎么避免同样的错误？

我的错题本格式是这样的：

这个表格看起来简单，但坚持记录一个月，你就会发现自己的错误模式。比如你可能发现自己总是在符号上出错，或者总是在特征值计算上卡住。找到模式之后，就可以有针对性地练习。

5.2 从“会做”到“讲清楚”：费曼技巧的运用

检验你是否真正掌握一道题，最好的方法是把它讲给别人听。如果你能清晰地把解题思路讲出来，说明你真的懂了。如果你讲着讲着卡住了，说明那里还有漏洞。

我自己的做法是：每做完一道有代表性的题，就假装面前有一个同学，把这道题的解法讲一遍。讲的时候不看书，不查公式，完全凭记忆和理解。如果讲不下去，就回去翻书，翻完再讲。这个过程很花时间，但效果极好。

你也可以找一个学习伙伴，互相讲题。如果没有伙伴，就对着手机录音，然后回放。回放的时候，你会发现自己哪里讲得含糊，哪里逻辑跳跃。这些地方就是你需要加强的地方。

5.3 把习题和真实场景挂钩

线性代数的习题往往很抽象，但它的应用场景非常广泛。如果你能把习题和真实场景挂钩，学习动力会强很多。

比如：

• 矩阵乘法对应的是线性变换的复合。图像旋转、缩放、剪切都是矩阵乘法。
• 特征值对应的是变换的不变方向。在振动分析中，特征值对应固有频率。
• 最小二乘对应的是数据拟合。给你一堆散点，找一条直线使误差平方和最小。
• 马尔可夫矩阵对应的是状态转移。网页排名、人口流动都可以用马尔可夫链建模。

我在刷题的时候，会刻意去想：这道题如果放到真实场景里，会是什么样子？比如做投影题的时候，我会想：这就像把三维空间中的点投影到二维平面上，做降维。做特征值题的时候，我会想：这就像找系统的固有模式。这种联想让抽象的符号变得具体，也让刷题变得不那么枯燥。

5.4 定期回顾：三天、一周、一个月

刷题不是一锤子买卖，需要定期回顾。我的回顾周期是这样的：

• 三天后：把三天内做错的题重做一遍。如果还错，标记为“顽固错题”。
• 一周后：把一周内的所有错题重做一遍，包括三天内已经做对的。
• 一个月后：把一个月内的顽固错题重做一遍，同时随机抽几道做对的题，检验是否真的掌握了。

这个回顾周期看起来麻烦，但实际执行起来并不花太多时间。每天花十五分钟回顾，比一次性刷三个小时然后忘光要有效得多。

提示：回顾的时候，不要只看答案，要重新推导一遍。看答案会产生“我会了”的错觉，重新推导才能暴露真实水平。

6. 工具与资源：让刷题效率翻倍

6.1 手算与机算的配合

手算是基础，机算是验证。两者配合，效率最高。我的做法是：手算一遍，然后用 Python 的 NumPy 库验证。如果结果一致，就跳过；如果不一致，就回头找错误。

比如解线性方程组：

import numpy as np A = np.array([[2, 1, -1], [-3, -1, 2], [-2, 1, 2]]) b = np.array([8, -11, -3]) x = np.linalg.solve(A, b) print(x)

这段代码几秒钟就能跑完，但手算可能需要几分钟。用机算验证手算，既快又准。

6.2 符号计算工具的使用

有些题目涉及符号运算，比如带参数的矩阵求逆、特征值。这时候 NumPy 就不够用了，需要用 SymPy 这样的符号计算库。

from sympy import Matrix, symbols a, b = symbols('a b') A = Matrix([[a, b], [b, a]]) print(A.eigenvals()) print(A.inv())

SymPy 可以帮你处理符号运算，但不要依赖它。习题的目的是训练你的手算能力，符号计算工具只是辅助验证。

6.3 可视化工具：让抽象概念变直观

线性代数里很多概念是几何的，用可视化工具可以帮你建立直觉。比如用 Matplotlib 画向量、画投影、画特征向量。

import matplotlib.pyplot as plt import numpy as np v = np.array([2, 1]) w = np.array([1, 3]) plt.quiver(0, 0, v[0], v[1], angles='xy', scale_units='xy', scale=1, color='r') plt.quiver(0, 0, w[0], w[1], angles='xy', scale_units='xy', scale=1, color='b') plt.xlim(-1, 4) plt.ylim(-1, 4) plt.grid() plt.show()

这段代码会画出两个向量。你可以直观地看到它们的方向和长度。做投影题的时候，把投影向量也画出来，一眼就能看出对不对。

6.4 习题答案的正确使用方式

很多人把答案当成救命稻草，做不出来就看答案。但答案的正确用法是：做完之后对答案，而不是做之前看答案。

我的建议是：

• 先自己做，不管花多长时间。
• 做完之后，对答案。如果对了，快速扫一眼答案的思路，看看有没有更简洁的方法。
• 如果错了，不要只看答案，要分析自己错在哪一步，为什么错。
• 看完答案之后，把答案合上，自己重新做一遍。如果能独立做出来，才算真正掌握。

注意：答案不是标准，只是参考。有时候答案的方法很笨，你的方法更简洁，那就坚持自己的方法。线性代数里很多题都有多种解法，找到最适合自己的那种。

7. 不同基础的学习者该怎么上手

7.1 零基础：先补概念，再刷题

如果你完全没有线性代数基础，直接刷题会很痛苦。我的建议是：先花一周时间把基本概念过一遍。不需要深入，只需要知道每个名词是什么意思，每个运算怎么算。

具体来说：

• 第一天：向量和矩阵的定义，矩阵加减法和乘法。
• 第二天：线性方程组和高斯消元。
• 第三天：逆矩阵和行列式。
• 第四天：向量空间和子空间。
• 第五天：特征值和特征向量。
• 第六天：正交性和投影。
• 第七天：综合复习，做几道简单题练手。

一周之后，你就可以开始刷习题了。刚开始的时候，从最简单的计算题做起，不要碰证明题。等计算熟练了，再慢慢过渡到概念题和证明题。

7.2 有基础但做题总出错：专项突破

如果你已经学过一遍，但做题总是出错，那问题可能出在某个特定环节上。这时候不要盲目刷题，要先诊断。

诊断方法是：找一套综合题，限时做一遍。做完之后，统计错误类型。如果计算错误占多数，就专门练计算；如果概念错误占多数，就回去补概念；如果证明题不会，就专门练证明。

专项突破的关键是：集中火力，一次只解决一个问题。比如你这周只练特征值计算，每天做十道特征值题，连做一周。一周之后，你会发现特征值计算变得像呼吸一样自然。

7.3 冲刺高分：挑战难题和综合题

如果你基础已经很扎实，做题正确率也很高，那就可以挑战更高难度的题目。MIT 线性代数习题里有一些综合题，涉及多个知识点的交叉。比如一道题可能同时用到特征值、正交性和最小二乘。

这类题的特点是：步骤多，计算量大，但每一步都不难。你需要的是耐心和细心。我的建议是：把每道综合题拆成若干个小步骤，一步一步来。每完成一步，就检查一下。不要试图一口气做完，那样容易出错。

另外，可以尝试一题多解。比如一道特征值题，你可以用特征方程解，也可以用对角化解，还可以用几何方法解。比较不同方法的优劣，能加深你对知识的理解。

8. 一些零散但重要的经验

8.1 草稿纸的用法

草稿纸不是随便乱写的。我的习惯是：把草稿纸分区，每道题一个区域，标上题号。这样检查的时候容易找到对应的计算过程。另外，重要的步骤用方框框起来，方便回头查看。

8.2 符号的书写规范

线性代数里符号很多，写清楚很重要。比如 λ 和 x 要区分开，A 和 a 要区分开，0 和 O 要区分开。我见过很多人因为符号写得潦草，导致自己看错，算错。

8.3 遇到瓶颈怎么办

刷题遇到瓶颈是正常的。这时候不要硬扛，可以换个科目学一学，或者出去走走。有时候放空一下，回来就有思路了。另外，跟别人讨论也是突破瓶颈的好方法。给别人讲一遍，往往能发现自己思维的盲区。

8.4 保持手感

线性代数是一门需要保持手感的学科。如果你停了两周不做题，再捡起来会觉得生疏。我的建议是：即使很忙，每天也做一道题。一道题花不了十分钟，但能保持你的思维活跃。

8.5 不要追求刷题数量

刷题的目的是掌握知识，不是比谁做的题多。我见过有人刷了五百道题，但遇到新题还是不会。问题在于他们只刷题，不总结。每做一道题，都要问自己：这道题考了什么？我学到了什么？下次遇到类似的题，我能独立做出来吗？

我自己的节奏是：每天做五到十道题，但每道题都认真总结。一个月下来，大概做两百道题，但这两百道题我都能讲清楚。这比刷一千道题但一知半解要强得多。

8.6 考试前的准备

如果你是为了考试而刷题，那考试前一周要调整策略。不要再做新题，而是把错题本翻一遍，把典型题重做一遍。考试前一天，早点休息，不要熬夜刷题。线性代数考试考的是熟练度和细心程度，休息好才能发挥出水平。

提示：考试的时候，先做会做的题，把难题留到最后。不要在一道题上卡太久，浪费时间。做完之后，如果有时间，一定要检查计算过程。

9. 从习题延伸到更远的地方

线性代数习题只是一个起点。当你把这套习题刷透之后，你会发现很多后续课程都建立在它之上。比如：

• 微分方程：线性微分方程组的解可以用矩阵指数表示，特征值决定了系统的稳定性。
• 数值分析：矩阵分解（LU、QR、SVD）是数值计算的核心工具。
• 机器学习：数据降维、回归、分类都离不开矩阵运算和特征值分解。
• 信号处理：傅里叶变换可以写成矩阵形式，滤波器的设计用到特征值。
• 量子力学：态向量、算符、测量都对应线性代数中的向量、矩阵和投影。

如果你能把线性代数习题里的每一个概念都理解透彻，后续的学习会轻松很多。反过来，如果习题里的漏洞没补上，后续课程就会越学越吃力。

我自己的体会是：线性代数是一门“越用越懂”的学科。第一次学的时候，很多概念是模糊的；做题的时候，慢慢清晰；等到在真实场景里用到的时候，才真正理解。所以，不要指望一遍就学透。多做题，多回顾，多应用，自然就懂了。

最后再分享一个小技巧：如果你觉得某道题特别难，试着把它简化。比如把 3×3 矩阵换成 2×2 矩阵，把一般情况换成特殊情况。简化之后，往往能看出问题的本质。然后再把结论推广回去，难题就不难了。这个技巧我在做证明题的时候经常用，效果很好。