如果在复习线性代数时，你也有过“单个定义都认识，拿到综合题却不知道先动哪一步”的感受，那 Matrix 运算、齐次方程组的解、分块矩阵、逆矩阵计算、方阵幂运算同时出现时，这种感觉会被放大得很明显。这类每日一题表面上是把几个知识点放在一道题里，实际上真正在训练的是做题时的判断顺序。看到分块结构，先想能不能降阶；看到齐次方程组 (Ax=0)，先想解集结构；看到逆矩阵和幂次，先想能不能利用分块公式。把这种判断顺序练熟，比在草稿纸上反复硬算更像强化阶段的复习方式。
我见过不少同学把题目里的每个知识点都单独背得很熟，但一进入综合题就卡住，不是因为公式不会，而是不知道该用哪一条。更准确地说，他们缺少一套“从题目特征到可行工具”的快速映射。下面我想借 Day34 这类结构，把它背后的解题框架拆出来讲清楚。
1. 别急着硬算，先建立“题型识别”的优先顺序
1.1 五个关键词同时出现，不是让你把五个公式都背一遍
矩阵运算、齐次方程组的解的定义、分块矩阵运算、逆矩阵计算、方阵的幂运算方法，这五块内容单独拿出来，每块都能出一章习题。可放到一道题里，它更像是在提醒你：线代强化的重点不是“记住公式”，而是“判断什么时候用哪个工具”。
我比较建议把这种题理解为“题型识别题”。它不会直接告诉你“用分块矩阵”，而是把矩阵写成一个带零块的形态，让你自己去发现可以分块；它也不会直接问“行列式是否为 0”，而是把齐次方程组 (Ax=0) 摆出来，让你根据解的情况判断矩阵性质。如果一上来就试图硬算整个矩阵，往往会把题目做复杂。
所以在动笔之前，先做一次快速扫描：
- 矩阵里有没有明显的零块、重复块、单位块？
- 题目给的是齐次方程组 (Ax=0)，还是具体方程组？
- 要求逆矩阵，还是求高次幂？
- 如果既要求逆，又要求幂，能不能用同一个分块结构？
这个过程看起来简单，却能决定后面的计算量。
1.2 强化阶段最值得练的，是把工具和题目特征连起来
有同学做计算题很熟练，因为流程是固定的；但综合题没有现成流程。比如求方阵的幂，看到题目先不要默认对角化。你要先判断：这个矩阵在结构上有没有规律？
如果矩阵可以写成“单位矩阵加幂零矩阵”的形式，用二项式展开通常更快；如果矩阵有明确的分块结构，而且分块之间满足可交换条件，可以先按块展开；只有在结构信息很少时，才需要考虑特征值、特征向量和对角化。这个判断顺序本身就是得分点。
从我的复习经验来看，综合题做错，很多时候不是最后一步乘错，而是第一步选错了方向。一旦方向选错，后面越算越复杂，最终很容易自我怀疑。
2. 拆开看：齐次方程组的解、分块、逆矩阵和幂是如何串起来的
2.1 齐次方程组的解，本质是在告诉你矩阵是否“退化”
齐次方程组 (Ax=0) 的定义并不复杂：零向量一定是解；如果矩阵可逆，那只有零解；如果矩阵不可逆，就存在非零解。但在分块矩阵里，这个定义可以变得更具体。
当我们把 (A) 按块写出时，齐次方程组也会跟着变成几个块方程。这时候，真正决定解空间大小的是那些“可能在下方产生零块”的部分。比如分块上三角矩阵 [ A=\begin{pmatrix} P & Q\ 0 & R \end{pmatrix} ] 如果 (P) 可逆，上面的块方程可以先用来表示一部分向量，真正的自由度会落到下面的 (R v=0)。这个思路比直接对整个矩阵做初等行变换更省力，也更能看到矩阵结构的本质。
所以，题目中出现“齐次方程组”时，并不一定非要解方程。你可以先问自己：这个矩阵可逆吗？如果可逆，解集只有一个点；如果不可逆，才需要讨论解集的结构。
2.2 分块矩阵不是炫技，它是降低计算规模的基本手段
很多同学对分块矩阵的畏惧，来源于“字母运算比数字运算抽象”。但反过来想，如果你能接受用字母表示矩阵，就等于把一个高维问题压缩成了低维问题。
以 [ A=\begin{pmatrix} P & Q\ 0 & R \end{pmatrix} ] 为例，整个矩阵的乘法、求逆、降幂，都可以通过“先处理 (P,Q,R)，再拼回去”的方式完成。这里有一个关键提醒：分块矩阵虽然形式上像一个 (2\times 2) 矩阵，但分块之间不能直接用“对角线相乘等于原矩阵行列式”这样的经验，除非你已经确认对角块可逆等条件。矩阵乘法不满足交换律，所以做分块乘法时，乘积顺序必须严格保持。
分块矩阵真正解决的是“结构识别”问题。一旦看到零块，就应该优先思考能不能利用这个零块把问题拆开。
2.3 逆矩阵与方阵的幂，先判断要不要“真算”
求逆矩阵和求方阵幂，是最容易让人陷入硬算的两类题。
求逆矩阵时，很多人的第一反应是用伴随矩阵或初等行变换。但如果矩阵本身有分块结构，可以先判断是否满足分块求逆条件。分块上三角矩阵的逆矩阵有一个常见形式： [ \begin{pmatrix} P & Q\ 0 & R \end{pmatrix}^{-1}
\begin{pmatrix} P^{-1} & -P^{-1}QR^{-1}\ 0 & R^{-1} \end{pmatrix} ] 前提是 (P,R) 都可逆。这个公式并不是要你死记，而是让你理解：如果右下块可逆，它在整体求逆中会先被单独处理；如果左上块也可逆，两者之间会通过 (Q) 产生一个负的交叉项。
求方阵幂时，则要先看矩阵结构是否重复。如果矩阵可以写成 [ A=\begin{pmatrix} P & kP\ 0 & P \end{pmatrix} ] 这种左右两块成比例、对角块相同的结构，它的幂次往往会有特别整齐的规律。这种情况下，用数学归纳法推导出通项，比硬算五次矩阵乘法更可靠。
3. 一道复习题示范：从分块齐次方程到逆矩阵与方阵幂
3.1 可以用作训练的典型结构
为了把这几个点串起来，可以用下面这个结构来练习。它不一定完全等于你手里的真题原题，但它包含的思考路径很接近。
设 [ B=\begin{pmatrix} 1 & 1\ 0 & 1 \end{pmatrix},\qquad A=\begin{pmatrix} B & B\ 0 & B \end{pmatrix} ] 其中右上角的 (B) 和左上角的 (B) 完全一致。把 (4\times 4) 矩阵 (A) 看成由四个 (2\times 2) 分块构成的矩阵。设列向量 [ x=\begin{pmatrix} u\ v \end{pmatrix} ] 其中 (u,v) 都是二维列向量，并且分块方式与 (A) 保持一致。
现在可以做三个问答：
- 写出齐次方程组 (Ax=0) 的分块形式，并判断解集。
- 求 (A^{-1})。
- 求 (A^n)，其中 (n) 为正整数。
这组小问并不复杂，但它足够把题目里提到的核心方法都过一遍。
3.2 第一步：先写齐次方程组的分块形式，而不是直接展开 4 个方程
把 (A) 与 (x) 做分块乘法后，可以得到： [ Ax= \begin{pmatrix} Bu+Bv\ Bv \end{pmatrix} ] 所以齐次方程组 (Ax=0) 等价于： [ \begin{cases} Bu+Bv=0,\ Bv=0. \end{cases} ]
这里看起来很平凡，但它就是在用“齐次方程组的解的定义”来思考问题。因为矩阵 [ B=\begin{pmatrix} 1 & 1\ 0 & 1 \end{pmatrix} ] 是可逆的，所以 (Bv=0) 只能得到 (v=0)。再把它代回第一个块方程，得到 (Bu=0)。由于 (B) 可逆，又有 (u=0)。最终齐次方程组只有零解。
这个解法的关键不是计算，而是先利用分块结构把“高维齐次方程组”拆成“两个低维子问题”。如果你直接展开成四个普通方程，也能做，但会慢很多，而且很难看到矩阵的结构。
3.3 第二步：求逆矩阵时，用分块方程反解
求逆矩阵的本质，是解矩阵方程 [ AX=I ] 但更直接的方式是，设一个列向量 (y)，再去解 (Ax=y)。如果对任意 (y) 都能唯一解出 (x)，那么 (A) 可逆。
设 [ y=\begin{pmatrix} p\ q \end{pmatrix} ] 同样把 (p,q) 看成二维列向量。则由 [ \begin{pmatrix} B & B\ 0 & B \end{pmatrix} \begin{pmatrix} u\ v \end{pmatrix}
\begin{pmatrix} p\ q \end{pmatrix} ] 得 [ \begin{cases} Bu+Bv=p,\ Bv=q. \end{cases} ]
先看第二个块方程：因为 (B) 可逆， [ v=B^{-1}q. ] 再看第一个块方程： [ Bu=p-Bv=p-q. ] 因此 [ u=B^{-1}(p-q)=B^{-1}p-B^{-1}q. ]
把 (u,v) 按列向量拼回去，就会得到 [ A^{-1}= \begin{pmatrix} B^{-1} & -B^{-1}\ 0 & B^{-1} \end{pmatrix} ] 因为 [ B^{-1}= \begin{pmatrix} 1 & -1\ 0 & 1 \end{pmatrix} ] 所以 [ A^{-1}= \begin{pmatrix} 1 & -1 & -1 & 1\ 0 & 1 & 0 & -1\ 0 & 0 & 1 & -1\ 0 & 0 & 0 & 1 \end{pmatrix} ] 这个结果适合在练习后做一次乘法验证：让 (A A^{-1}) 等于 (4\times 4) 单位矩阵。用分块方式验证会比逐元素验证更快。
3.4 第三步：求 (A^n) 时，不要急着对角化，先归纳
这个例子里的 (A) 四个分块都有 (B)，所以幂运算有很好的重复性。先计算 [ A^2= \begin{pmatrix} B & B\ 0 & B \end{pmatrix} \begin{pmatrix} B & B\ 0 & B \end{pmatrix}
\begin{pmatrix} B^2 & 2B^2\ 0 & B^2 \end{pmatrix} ] 接着假设 [ A^k= \begin{pmatrix} B^k & kB^k\ 0 & B^k \end{pmatrix} ] 再乘一个 (A)，就得到 [ A^{k+1}= \begin{pmatrix} B^{k+1} & (k+1)B^{k+1}\ 0 & B^{k+1} \end{pmatrix} ] 所以可归纳出： [ A^n= \begin{pmatrix} B^n & nB^n\ 0 & B^n \end{pmatrix} ] 上面我们已经知道 [ B^n= \begin{pmatrix} 1 & n\ 0 & 1 \end{pmatrix} ] 因此 [ nB^n= \begin{pmatrix} n & n^2\ 0 & n \end{pmatrix} ] 最后的 (A^n) 可以写成一个四阶分块矩阵。你可以用 (n=2) 做一次局部验证：代入公式后，右上角分块应当是 (2B^2)，也就是 [ \begin{pmatrix} 2 & 4\ 0 & 2 \end{pmatrix} ] 直接算 (A^2) 的右上角，也会得到同样结果。这种验证虽然只做了一小步，却能有效避免通项公式写错。
4. 最容易翻车的地方：不是公式不会，而是边界不清
4.1 行列式、矩阵乘法、分块矩阵之间不能随意“类比”
如果看到 [ \begin{pmatrix} P & Q\ 0 & R \end{pmatrix} ] 就下意识认为其行列式等于 (\det(P)\det(R))，这个结论在分块上三角矩阵中成立，但注意这里要求 (P,R) 是同阶方阵吗？不一定同阶不能直接沿用普通行列式乘法规则。更常见的问题出在分块乘法时，把 (PQ) 写成 (QP)。
矩阵乘法不交换，这个原则在普通矩阵里已经强调太多，但一旦进入分块矩阵，很多人会放松警惕。用公式求逆矩阵时，尤其要注意 (-P^{-1}QR^{-1}) 中三个因子的顺序。顺序变了，结果就可能完全不同。
4.2 齐次方程组“有非零解”不等于“可以随便取解”
齐次方程组的定义本身很简单，但解题时容易犯一个错：看到 (Bv=0)，因为 (B) 不可逆，就直接说 (v) 任意。其实如果 (B) 不可逆，(v) 应落在 (B) 的零空间里，不一定是整个空间。要判断自由度，需要知道 (B) 的秩。
所以实际做题时，看到齐次方程组，建议按这个顺序排查：
- 先判断系数矩阵是否可逆。
- 如果可逆，直接说只有零解。
- 如果不可逆，再按秩讨论基础解系个数。
- 如果题目涉及分块矩阵，先看哪个块方程先被约束。
这个方法能避免很多无效计算。
4.3 分块维度必须严格对齐
分块矩阵运算最容易犯的错是维度问题。题目把一个四阶矩阵分成四个二阶分块，那么列向量必须也分成两个二维块。如果 (x) 的分块方式和 (A) 不一致，后面的所有乘法都会出错。
拿到分块矩阵题，第一件事不是去套公式，而是把所有参与运算的向量或矩阵的维度都标出来。这个习惯看起来费时间，但它能减少大量低级失误。尤其是求逆矩阵时，如果把列向量错分成长度不同的块，整个方程组就没法统一表示了。
4.4 方阵幂不是只有“对角化”一条路
很多同学一看到“求 (A^n)”就想到对角化。对角化确实是常用方法，但它不是万能方法，也不是最快方法。有的矩阵不能对角化，有的矩阵即使能对角化，求特征向量的成本也太高。
遇到方阵幂，可以按下面的路径判断：
- 看是否能写成 (A=kI+N)，其中 (N) 是幂零矩阵；
- 看是否有分块结构，并且分块之间存在明显的倍数关系；
- 看低次幂是否出现规律，能用归纳法求解；
- 最后才考虑特征值、特征向量和对角化。
在 Day34 这种题目里，分块结构通常是最直接的入口。先尝试按块归纳，能让整体计算量下降不少。
5. 把“每日一题”的利用率做到最大化
5.1 不要只对答案，要写“判别思路”
现在很多同学做每日一题，习惯是先看题，做几步，然后看解析。这样做能学会一道题，但很难形成稳定的判断能力。我更建议多做一步：每次做完后，用一句话写下“我为什么第一步先做这个”。
拿刚才的例子来说，第一步应该是“因为发现右下角是零块，所以把向量分块，优先用下面的块方程约束变量”。这样写下来，以后再见到类似结构，你就不是从零开始搜索公式，而是直接调用已有的判别路径。
5.2 一题三问，比连做三道题更有效
同一道综合题，可以尝试改变问法来加深理解。
比如上面那个例子，原本求的是 (A^n)。你可以改成：
- 求 (A^{-1}) 中的右上角分块，验证是否等于 (-B^{-1})；
- 如果 (B) 换成不可逆矩阵，齐次方程组的解集会变成什么样？
- 如果把右上角的 (B) 改成 (2B)，(A^n) 的右上角分块会变成什么？
这些问题不需要全部算完，但每改一个条件，你都会对分块矩阵的结构更敏感。长期下来，你会发现自己不再畏惧综合题，因为你能看出题目内部各个条件之间是怎样相互影响的。
5.3 每周做一次“复盘清点”
每日一题的节奏很容易让人产生虚假的充实感。每天做一题，做完就丢，到周末回头一看，好像没留下系统方法。我建议每周花一点时间，把这一周做过的题按“判别路径”重新分类。
比如本周遇到过“齐次方程组 + 分块零块”的题，就单独列一类；遇到过“方阵的幂，分块成比例”的题，也单独列一类。这种分类不以知识点为单位，而是以“看到哪种特征，选择哪种动作”为单位。这正是综合题最需要的能力。
6. 它的边界：哪些人适合，哪些阶段该用它
这套“分块优先、按块归纳、回代验证”的方法，适合正在做线代强化，并且已经掌握基本定义和公式的人。如果你连矩阵乘法的基本规则都还不太熟，直接上这种综合题，效率会很低。先回到基础章节，把单个知识点练熟，再进入这种多能力综合题。
另一方面，它也不等于所有线代题都要分块。不是每个矩阵都有明显的分块结构。如果矩阵本身没有零块，也没有重复块，强行分块反而会制造更多复杂度。判断是否分块的标准只有一个：分块后，计算量是不是明显减少，结构是不是变得更清楚。如果分块后反而更乱，那说明这不是合适的方法。
从长期看，每日一题真正留下的，不是某道题的标准答案，而是你面对新题时能快速判断“该从哪里入手”的直觉。这种直觉需要大量的结构识别训练来积累。矩阵运算、齐次方程组的解、分块矩阵、逆矩阵和方阵幂，恰好是几个最适合用来训练结构识别的知识点。把这一道题吃透，比匆忙做完十道同质化题目更有价值。
