推导 1：用余弦定理（最经典）
在平面或三维里，把向量 a,b 都从原点出发，考虑三角形的三条边：
一条边长度：∥a∥
另一条边长度：∥b∥
第三条边是 a−b长度：∥a−b∥
夹角就是 a 与 b 的夹角 θ
余弦定理告诉你：
另一方面，利用点积恒等式展开：
把两条对同一个量的表达式相等：
两边消掉，再除以 −2：
✅ 得证。
所以这个公式是“点积和几何距离（余弦定理）兼容”时必然成立的关系。
推导 2：用“投影”的几何定义（更直觉）
把在
的方向上做投影。
的模：
在
上的标量投影长度是：
点积a · b的几何解释是：
- 取向量b的模长|b|（即 OB 的长度）
- 乘以向量a在b方向上的投影分量（即 OL 的长度|a| cos θ）
所以：a · b = |b| × (|a| cos θ) = |a| |b| cos θ
这正是图片底部公式展示的。
✅ 得证。
如何用点积求夹角 θ
从公式反推：cos θ = (a · b) / (|a| |b|)
只要知道两个向量的坐标，就能：
- 先算出点积 a · b（用坐标分量相乘求和）
- 算出各自的模 |a| 和 |b|
- 除一下得到 cos θ
- 再反余弦得到 θ 本身（θ = arccos( (a · b) / (|a| |b|) )）
θ 的范围是 0° 到 180°：
- θ = 90° 时，cos θ = 0 → 点积 = 0（垂直）
- θ < 90° 时，cos θ > 0 → 点积 > 0（锐角）
- θ > 90° 时，cos θ < 0 → 点积 < 0（钝角）
一句话总结它“为什么必然成立”
在欧氏空间中：
让长度与点积绑定
余弦定理描述距离与角度的关系
两者必须一致 ⇒ 就推出
重要补充：它对什么情况下成立？
✅ 对**标准点积（欧氏内积）**成立：
✅ 对更一般的“内积空间”也成立，但公式写成：
⚠️ 如果你用的不是欧氏内积（比如某些非标准度量），那“θ”的定义也要跟着内积变，否则就不再是同一个几何角度了。
下面就用最经典的勾股数 (3,4,5)来把
“算出来 + 看出来”。
演示 1：用 (3,4,5) 直接把 cosθ 算出来
取两个向量（都从原点出发）：
① 先算长度（都是整数，很舒服）
② 算点积
③ 代入公式求 cosθ
**结论：**夹角 θ 的余弦就是 3/5。
为什么这就是“勾股数”的几何意义？
注意 b=(5,0) 就是x 轴方向长度 5的向量。
而 a=(3,4) 和 x 轴夹角的那个直角三角形，正好是：
斜边：∥a∥=5
邻边（在 x 轴上的投影长度）：3
对边：4
所以几何上本来就有：
cosθ=邻边/斜边=3/5
你看，点积推出来的 cosθ，和勾股三角形的 cosθ完全一致。
顺便把公式本体验证一遍
我们已经算到：
∥a∥=5
∥b∥=5
cosθ=3/5
那么右边：
左边点积。
✅ 两边相等，公式成立。
演示 2（可选加深）：用余弦定理把它“推导式验证”
同样取上面 a,b。先算：
余弦定理（把 a,b,a−b 当三角形三边）：
代入数：
又得到同样的结果。✅
再给一个更大的勾股数： (5,12,13)
取
这就是经典三角形里 cosθ=邻边/斜边=5/13。
我们就把“两个都斜着”的情况也用勾股数做得同样干净：长度都是整数、点积也是整数，最后得到一个漂亮的 cosθ。
例子：两根斜向量都来自勾股三角形
选两条长度都为 5 的向量（都是 3-4-5）：
它们都不是沿坐标轴的，都是“斜着”的。
① 长度
② 点积
③ 余弦相似度（也就是 cosθ）
**解释：**0.96 非常接近 1，说明两向量夹角很小、方向非常接近。
顺便算一下角度大小（感受一下）：
（不用死记数值，你只要记得 0.96 很接近 1 ⇒ 角度很小。）
为什么这个结果“很合理”？（用投影直觉解释）
把 a 投影到 b 的方向上：
b 的单位向量是
投影长度（标量投影）：
而 ∥a∥=，说明 a 在 b 方向上的“有效分量”是4.8/5 = 0.96，也就是：
投影长度/∥a∥=cosθ=0.96
这就是“余弦相似度”最直观的意义：
A 沿着 B 的方向，能“投影出”A 的多少比例。
越接近 1，说明 A 基本都沿着 B。
再给一个“中等相似”的勾股数例子（让你感受 0.6/0.8 这种）
让两向量长度分别是 5 和 13（3-4-5 与 5-12-13）：
① 长度
② 点积
③ 余弦相似度
这个也很接近 1，说明它们也挺接近（这两个方向确实都在第一象限、都偏“往右上”）。
造一个“接近 0”的例子（几乎垂直，但仍用整数）
用两组勾股数拼出近似正交的方向：
注意 b 仍然长度 5（因为）。
点积：
于是：
**解释：**这对向量正交，余弦相似度为 0。
最后把“余弦相似度”一句话钉死
它等于 cosθ，所以：
只看夹角（方向）
不受长度影响
范围固定 [−1,1]，特别适合做“相似度打分/排序”
