1. 矩阵的"站位"决定身份：左乘右乘从来不是一回事
总有学生抱着线性代数课本跑来问我：矩阵的左乘和右乘到底有什么几何意义？为什么 AB 和 BA 不能随便交换顺序？这类问题几乎每学期都会出现，因为教材里通常只给了运算法则，没有讲清楚"位置"本身带着含义。简单说，在默认列向量的约定下，矩阵放在向量的左边，叫左乘；行向量放在矩阵的左边、矩阵在右，叫右乘。位置不同，矩阵扮演的角色就完全不同。
先说结论性的框架：左乘时，矩阵是一个"空间变换器"，它把一个向量当作空间里的点或箭头，整体搬动到新的位置；右乘时，行向量更像一台"测量仪"，矩阵的行是一组测量设备，右乘的结果是给这些设备做加权组合，得到一台新的测量仪。一个是改变对象，一个是改变看对象的方式。这两者互为对偶，但经常被混为一谈，后面所有内容都是围绕这个框架展开的。
为了让你对"两者真的不一样"有体感，用一个具体矩阵反复对照：
A = [1 2] [3 4]系数向量取 u = (2, 1)。先左乘：
Au = [1 2] [2] = [1×2 + 2×1] = [ 4] [3 4] [1] [3×2 + 4×1] [10]再看右乘，此时 u 要写成行向量：
uA = [2 1] [1 2] = [2×1 + 1×3 2×2 + 1×4] = [5 8] [3 4]同一个 u、同一个 A，左乘得到 (4, 10)，右乘得到 (5, 8)。可见左乘和右乘不是同一种操作的两种写法，而是两种本质不同的操作。
| 操作 | 写法 | 向量是什么 | 矩阵的角色 | 结果的几何含义 |
|---|---|---|---|---|
| 左乘 | Ax | 列向量，空间里的点或箭头 | 变换器 | 把点搬到新位置 |
| 右乘 | xA | 行向量，线性函数/测量仪 | 被组合的对象 | 组合出行空间里的新函数 |
1.1 两种约定：列向量和行向量看到的矩阵完全不同
线性代数教材默认向量是列向量，矩阵在左边，于是 Ax 成了最常见的形式。但在不少工程领域，比如某些图形学库和概率论教材，习惯把向量写成行向量，这时候矩阵在右边，写成 xA。同一个数学对象，换了站位之后，公式里的乘法顺序会整体倒过来。
这不是排版偏好问题。列向量约定下，矩阵 A 的第 j 列就是标准基向量 eⱼ 经过变换后的像；行向量约定下，矩阵 A 的第 i 行才是基础测量单元。你选择站在哪一边，就决定了你看到的是"列的故事"还是"行的故事"。
很多人学完线性代数只记住了"怎么算"，却从没问过"这一行一列乘出来到底在图什么"。等到了实际项目里，碰到法向量变换、相似变换、马尔可夫链的转移矩阵、图形学的投影矩阵，才被左乘右乘的坑反复绊倒。这篇文章就是想把这些坑一次性填平。
1.2 一个数字例子：同样的矩阵，左乘右乘得到不同结果
回到刚才的 A 和 u。Au = (4, 10) 还能换一种方式看：矩阵 A 的两列分别是 a₁ = (1, 3) 和 a₂ = (2, 4)，那么
Au = 2 × (1, 3) + 1 × (2, 4) = (2, 6) + (2, 4) = (4, 10)也就是说，Au 是对矩阵 A 的列做线性组合，组合系数正好是 u 的分量。而 uA = (5, 8) 是对 A 的行做线性组合：
uA = 2 × (1, 2) + 1 × (3, 4) = (2, 4) + (3, 4) = (5, 8)一个用的是列，一个用的是行。这就是后面所有几何意义的计算根源。接下来分别把这两条路线展开。
2. 左乘 Ax 的几何意义：矩阵的列就是掰弯后的基向量
2.1 Ax 的本质：对矩阵的列做线性组合
把 A 按列分块，写成 A = [a₁ a₂ ... aₙ]，其中 aⱼ 是第 j 列。那么对任意列向量 x = (x₁, x₂, ..., xₙ)ᵀ，有：
Ax = x₁·a₁ + x₂·a₂ + ... + xₙ·aₙ这个公式看着简单，却是左乘的全部几何奥秘：矩阵的每一列，是标准基向量 eⱼ 被变换后的落点。因为 e₁ = (1, 0, ..., 0)ᵀ 乘进去，取出来正好是 a₁；e₂ 取出来是 a₂，依此类推。矩阵 A 完全由它把基向量变成什么决定。
举个例子。A = [[2, 1], [1, 3]]，它的第一列是 (2, 1)，第二列是 (1, 3)。也就是说，在 A 的作用下，原来 x 轴方向的单位向量 (1, 0) 被搬到了 (2, 1)，原来 y 轴方向的单位向量 (0, 1) 被搬到了 (1, 3)。现在取 x = (1, 2)ᵀ：
Ax = [2 1] [1] = [2×1 + 1×2] = [4] [1 3] [2] [1×1 + 3×2] [7]几何上，x 本来表示"沿 x 轴走 1 格、沿 y 轴走 2 格"。经过 A 之后，坐标系本身被掰弯了：现在要沿新 x 轴方向 (2, 1) 走 1 格，再沿新 y 轴方向 (1, 3) 走 2 格。最终落点 (4, 7) 是这两段"新路程"的向量和。换句话说，左乘就是在告诉你：在 A 定义的扭曲坐标系里，同样的坐标分量对应原空间里的哪个点。
这里还有一个附带效果：矩阵的行列式 det A 告诉你这个变换对面积的缩放倍数。A 的行列式是 2×3 − 1×1 = 5，所以单位正方形经过 A 后会变成面积 5 的平行四边形，方向没反转。如果 det A 是负数，说明变换把空间"翻了个面"，左右手坐标系互换了。
2.2 旋转矩阵为什么天然适合用左乘理解
旋转是理解左乘最直观的场景。在二维平面里，逆时针旋转 θ 角的矩阵是：
R(θ) = [cos θ −sin θ] [sin θ cos θ]为什么要长这样？就是因为它的两列分别是 e₁ 和 e₂ 旋转后的位置。e₁ = (1, 0) 旋转 θ 后变成 (cos θ, sin θ)；e₂ = (0, 1) 旋转 θ 后变成 (−sin θ, cos θ)。矩阵的写法完全是由"基向量被搬到哪"决定的，这就是左乘视角最标准的体现。
取 θ = 90°，R(90°) = [[0, −1], [1, 0]]。用 x = (1, 1)ᵀ 左乘：
R x = [0 −1] [1] = [−1] [1 0] [1] [ 1](1, 1) 这个点绕原点逆时针转 90°，确实落在 (−1, 1)。整个变换可以想象成把整个坐标网格一起拧了 90°，所有点跟着网格走。矩阵的每一列，恰好是原来网格的两个轴方向在新网格里的样子。理解了这一步，你就不会再觉得矩阵乘法是"一行乘一列的机械操作"了。
2.3 复合变换的先来后到：右边那个矩阵先动手
左乘的意义一旦建立，复合变换的顺序就顺理成章了。对 ABx，因为矩阵乘法满足结合律，(AB)x = A(Bx)。所以向量 x 先被 B 变换，再被 A 变换。换句话说：在一串矩阵乘法的右边，永远站着最先动手的那个变换。
这点经常被反直觉。看到 M = A·B·C，很多初学者以为从左往右执行，先 A 再 B 再 C。实际上对列向量 v 来说，执行顺序是 C 先、B 其次、A 最后。可以把这串乘法想象成工厂流水线：原料 v 先进 C 车间，再进 B 车间，最后进 A 车间，产品才是 Mv。
为什么结合律能保证这件事？因为 A(Bx) 明确告诉你：先算括号里的 Bx，也就是先让 B 作用在 x 上，再让 A 作用在结果上。一旦你接受"最右边的先动手"这个习惯，后面图形学、机器人学里那些复杂的变换链就不会读错了。
3. 右乘 xA 的几何意义：行向量是一台测量仪
3.1 行向量代表一个线性函数，而不是一个点
要理解右乘，得先换一个看向量的方式。列向量是空间里的点或箭头，这个大家都熟。行向量 wᵀ 呢？它可以看成一个线性函数 f_w(v) = w·v，输入一个列向量 v，输出一个数——也就是点积。
这个函数有直观的几何图像。在二维平面上，方程 w·v = c 表示一条直线，这条直线的法向量就是 w。改变 c，得到一簇互相平行的直线。所以一个行向量并不指向某个点，它定义的是"一簇等值线"的朝向和疏密。比如 w = (1, 2)，那么 w·v = x + 2y = c 画出来是一组斜率为 −1/2 的平行线，间距由 w 的长度决定。
这种"测量仪"的视角在生活里到处都是。地图上的等高线是高度测量仪；天气预报里的气压线是气压测量仪；神经网络最后一层的权重向量，则是对输入特征做某种综合打分的测量仪。行向量就是这些测量仪的数学抽象。
3.2 xA 是在对矩阵的行做加权求和
现在看右乘 xA。设 A 的行向量分别是 r₁, r₂, ..., rₙ，那么：
xA = x₁·r₁ + x₂·r₂ + ... + xₙ·rₙ还是用前面的例子。A = [[1, 2], [3, 4]]，两行分别是 r₁ = (1, 2)，r₂ = (3, 4)。取 x = (2, 1)：
xA = 2 × (1, 2) + 1 × (3, 4) = (2, 4) + (3, 4) = (5, 8)几何上，这不是在搬动一个点，而是在混合两台测量仪：一台读数规则是 (1, 2)，另一台是 (3, 4)。现在按 2:1 的权重把它们组合起来，得到一台新的测量仪 (5, 8)。新测量仪在任意方向 v 上测到的读数，恰好等于原来两台测量仪读数的加权和。
右乘还有一层点积视角。xA 的第 j 个分量，等于 x 和 A 的第 j 列做点积。比如上面 (5, 8) 的第 1 个分量 5 = x·(1, 3) = 2×1 + 1×3，第 2 个分量 8 = x·(2, 4) = 2×2 + 1×4。所以 xA 的每一个输出，都是 x 这台测量仪依次去测 A 的每一列，把读数排成一行。右边乘法的过程，就是"用行向量逐个测试矩阵列向量"的过程。
3.3 法向量必须用 M⁻ᵀ 变换：右乘思想在图形学里的铁证
行向量的右乘不是纯理论，它在图形学和物理模拟里有一个极其经典的落点：法向量变换。
三维模型表面上的一个点有一个法向量 n，它垂直于该点的切向量 t，也就是 n·t = 0。现在对整个模型施加一个线性变换 M，顶点位置变成 p' = M p，切向量自然变成 t' = M t。问题来了：法向量是不是也跟着 M 变？直觉上很多人觉得是，实际上不是。
要求变换后的法向量 n' 仍然垂直于变换后的切向量 t'，也就是对任意切向量 t 满足 n'ᵀ(M t) = 0。整理一下，需要 n'ᵀ M 和 nᵀ 的作用效果一致，于是：
n'ᵀ = nᵀ M⁻¹等价写成列向量形式：
n' = M⁻ᵀ n也就是说，法向量作为行向量，是被 M⁻¹ 从右乘的，而不是像顶点那样被 M 左乘。这就是右乘在三维空间里的几何意义：切线方向属于"列向量空间"，法线方向属于"行向量空间"（对偶空间），两者在变换下遵循完全不同的规则。
用一个简单的二维例子验证。设 M = [[2, 0], [0, 1]]，这是把 x 方向拉伸两倍。考虑直线 y = x，它的切向量是 t = (1, 1)，法向量是 n = (1, −1)。M 作用后，直线变成 y = x/2，新法向量应该指向 (1/2, −1) 的方向。按公式算：M⁻¹ = [[1/2, 0], [0, 1]]，它的转置还是自己，所以 n' = (1/2, −1)，完全正确。如果错误地把法向量当顶点一样左乘 M，就会得到 (2, −1)，对应的是 y = 2x 的法线方向，明显错了。
这个例子说明：右乘处理的是一套和左乘平行但不同的几何世界。列向量被 M 推着走，行向量却要跟着 M⁻ᵀ 走，两台"测量仪"在变换面前的身段完全不同。
4. AB 与 BA 差在哪：组合变换的顺序不能颠倒
4.1 列视角下，AB 的每一列都被 A"接管"
矩阵乘矩阵是左乘右乘的进一步延伸。设 C = AB，把 B 按列分块：B = [b₁ b₂ ... bₚ]，那么 C 的第 j 列是：
cⱼ = A·bⱼ这告诉了我们一个非常干净的结论：AB 的每一列，都是 A 作用在 B 的每一列上得到的结果。因此 AB 的列空间一定包含在 A 的列空间里。用大白话说，A 这个变换把 B 的每一列都"吸"进了自己的列空间，A 在左右乘里是主导者。
看个极端例子。A = [[1, 0], [0, 0]]，它把一切向量投影到 x 轴。B = [[1, 2], [3, 4]] 的列是 (1, 3) 和 (2, 4)。那么 AB = [[1, 2], [0, 0]]，两列变成 (1, 0) 和 (2, 0)，全都在 x 轴上。B 原来的二维列空间，被 A 左乘后压缩成了一维。哪怕 B 里有再丰富的信息，左边站着投影矩阵 A，结果就只能留在 A 的列空间里。
这个包含关系还有个实用推论：rank(AB) ≤ rank(A)。左边矩阵的秩是一道天花板，右乘的任何矩阵都无法把这道天花板顶高。深度学习里面很多关于特征退化、秩坍缩的讨论，根子就在这条性质上。
4.2 行视角下，AB 的每一行都被 B"接管"
同样一件事，从行的方向看，结论正好对称。AB 的第 i 行等于 A 的第 i 行右乘 B：
(AB)的第i行 = (A的第i行) × B行向量右乘 B，是对 B 的行做线性组合（上一节刚讲过）。所以 AB 的每一行都落在 B 的行空间里，于是 rank(AB) ≤ rank(B)。方向非常对称：左乘管列，右乘管行。AB 的列空间被左边矩阵 A 控制，行空间被右边矩阵 B 控制。记住这句话，很多矩阵不等式和秩的结论都可以直接背出来。
把视角换到 BA，角色就互换了。BA 的每一列是 B 作用在 A 的每一列上，所以 BA 的列空间落在 B 的列空间里；BA 的每一行是 B 的行右乘 A，行空间落在 A 的行空间里。A 和 B 谁在左、谁在右，决定了谁在列方向上做主，谁在行方向上做主。
4.3 旋转配缩放：一个 2×2 反例看穿不可交换
理论说再多，不如一个具体反例直观。设 R 是逆时针 90° 旋转，S 是 x 方向拉伸 2 倍：
R = [0 −1] S = [2 0] [1 0] [0 1]先算 RS：
RS = [0 −1] [2 0] = [0 −1] [1 0] [0 1] [2 0]再算 SR：
SR = [2 0] [0 −1] = [0 −2] [0 1] [1 0] [1 0]两个结果明显不一样。取标准基向量 e₁ = (1, 0) 看几何过程：
- RS 作用 e₁：先被 S 拉伸，x 方向变 2 倍，得到 (2, 0)；再被 R 旋转 90°，变成 (0, 2)。
- SR 作用 e₁：先被 R 旋转 90°，变成 (0, 1)；再被 S 拉伸，因为 S 只拉伸 x 方向，(0, 1) 纹丝不动，还是 (0, 1)。
同样的两个变换，顺序一换，(1, 0) 的最终落点从 (0, 2) 变成了 (0, 1)，差了整整一倍。原因在于：旋转改变了"哪个方向是 x 方向"，而缩放是沿着固定轴进行的。先旋转再缩放，缩放轴跟着物体一起转了；先缩放再旋转，旋转把已经拉长的形状整个拧过去。两件事在三维空间里造成的形状完全不同。
生活中的类比是穿袜子穿鞋的顺序。先穿袜子再穿鞋，和先穿鞋再穿袜子，虽然最后都"穿了袜子和鞋"，但体验和结果天差地别。矩阵乘法的不可交换性和这个道理一模一样。
值得一提的细节是，det(RS) = det(SR) = 2，两个变换对面积的缩放倍数完全相同。所以 AB ≠ BA 不是体现在"总效果"上，而是体现在方向上。这也是为什么行列式可以交换、矩阵本身却不能交换，因为行列式只关心面积体积的缩放，不关心方向。
4.4 什么情况下左右乘可以交换
不是说所有矩阵都不可交换，有两类常见情形可以交换，理解它们能帮你更敏锐地判断变换结构。
第一类，两个矩阵都是对角矩阵时，显然可以交换。更一般地，如果 B 是 A 的多项式，比如 B = A²，或者 B = 2A + 3I，那么 AB = BA。几何上，这类矩阵共享同一组特征方向，每个方向只是被不同程度地缩放，谁先缩放谁后缩放自然无关紧要。
第二类，二维平面里的多个旋转矩阵。R(α)R(β) = R(β)R(α) = R(α+β)，因为旋转的复合就是角度相加，加法是交换的。这里的关键是：旋转不挑方向，它把所有方向一视同仁地转过同样的角度，因此两个旋转之间没有"先来后到"的次序问题。
反过来说，一旦变换里同时存在"旋转"和"沿特定方向的缩放/剪切"，顺序几乎必然影响结果。看见一个变换会改变方向、另一个会沿固定轴变形，就要警惕不可交换性。工程里判断一个变换链能不能安全重排，看的就是这一点。
5. P⁻¹AP 的秘密：相似变换里左乘右乘的分工
5.1 P 是坐标翻译官
矩阵的左乘右乘还有一个经常被误解的组合：P⁻¹AP。这个结构在相似变换、对角化、特征值计算里反复出现，但初学者往往只背公式，不理解为什么左边是 P⁻¹、右边是 P。
先给 P 一个身份：P 的每一列是新坐标系的基向量在旧坐标系下的坐标。假设我们有两套坐标系描述同一个空间，P 负责把"新坐标"翻译成"旧坐标"：
v_old = P · v_new这个翻译关系是右乘：把新坐标向量放进 P 的右边，P 的列做线性组合，得到旧坐标。对应的，P⁻¹ 负责反方向翻译，把旧坐标换回新坐标。
举个例子。P = [[1, 1], [0, 1]]，它的两列分别是 (1, 0) 和 (1, 1)。这是说：新坐标系的第一根基轴和旧 x 轴重合，第二根基轴指向旧坐标系里的 (1, 1) 方向。如果某个点在新坐标系里的坐标是 (u, v)，那么它在旧坐标系里的坐标是 P(u, v) = (u+v, v)。沿着新坐标的 u 方向走一格，在旧坐标里既动了 x 也动了 y，这就是"坐标系换掉"带来的直观后果。
5.2 三步走：翻译进去、作用、翻译回来
现在有个旧坐标系下的变换 A，你想知道：在新坐标系下，这个变换长什么样？设新坐标系下的某个向量是 v_new，把它完整走一遍：
- 先翻译到旧坐标：v_old = P·v_new。这里 P 在右边乘 v_new，是右乘。
- 在旧坐标下施加 A：w_old = A·v_old = A·P·v_new。
- 把结果翻译回新坐标：w_new = P⁻¹·w_old = P⁻¹·A·P·v_new。
所以 A 在新坐标系下的表示就是：
B = P⁻¹·A·P为什么这个顺序不能反？根本原因在于 P 和 P⁻¹ 分工不同。P 站在右边，负责把新坐标系的"输入"翻译成旧坐标；P⁻¹ 站在左边，负责把旧坐标的"输出"翻译回新坐标。输入侧需要的是 P，输出侧需要的是 P⁻¹。翻译动作必须发生在 A 作用之前和作用之后，顺序就被锁死了。
如果写反成 P·A·P⁻¹，那是在说另一套约定：先把旧坐标翻译成新坐标，作用 A，再翻回旧坐标。这不是我们想要的"在新坐标系里看 A"，而是"在旧坐标系里看一个新变换"，两者通常不相等。很多对角化算错的同学，问题就出在把 P 和 P⁻¹ 的位置弄反，最后特征值对不上。
5.3 对角化的例子：P⁻¹AP 如何把矩阵变成纯缩放
用具体数字验证。设：
A = [2 1] P = [1 1] [0 3] [0 1]先算 AP，也就是把 A 的每一列和 P 的列组合：
AP = [2 1] [1 1] = [2 3] [0 3] [0 1] [0 3]再算 P⁻¹AP。P 的逆是 P⁻¹ = [[1, −1], [0, 1]]：
P⁻¹AP = [1 −1] [2 3] = [2 0] [0 1] [0 3] [0 3]结果是一个对角矩阵 diag(2, 3)。这意味着，在由 (1, 0) 和 (1, 1) 构成的坐标系下，A 的行为极其简单：沿第一根新坐标轴方向拉伸 2 倍，沿第二根新坐标轴方向拉伸 3 倍，完全不需要旋转和剪切。
原因也清楚：A 的特征向量正好是 (1, 0) 和 (1, 1)。在这两个方向上，A 只改变长度，不改变方向。P 把坐标轴转到特征向量方向，A 在"自己擅长"的方向上做纯缩放，P⁻¹ 再把结果转回来。整个过程就是：右乘 P 选好视角，A 在最佳视角下做最简单的事，左乘 P⁻¹ 回到原视角。相似变换 P⁻¹AP 保持特征值、行列式、迹不变，因为这些量是变换的内在属性，和坐标系无关；而对角化就是找到一个视角，让内在属性直接亮出来。
6. 实际工程中左右乘最容易翻车的三个现场
6.1 图形学：行主序与列主序约定直接决定乘法顺序
图形学是左右乘重灾区。同一个变换链，在 OpenGL 风格的列向量约定下写成：
v' = Proj × View × Model × v最右边的 Model 先作用在 v 上，然后依次是 View、Proj，所以读法是从右往左：先模型变换，再视图变换，再投影变换。想让物体先绕自身旋转再平移到 (5, 0)，就应该把旋转矩阵放最右，写成 T(5,0) × R(θ)，因为 R 先作用，物体先转再挪；如果写反成 R(θ) × T(5,0)，物体先被平移，再绕原点旋转，效果变成"绕原点公转加自转"，完全不是想要的结果。
但在某些行向量约定的数学库或 DirectX 风格代码里，同一个链写成：
v' = v × Model × View × Proj读法变成从左往右，模型变换在最左，先执行。同一个变换链，两种约定的矩阵乘法顺序正好完全相反。工程里最常见的 bug 就是：从一篇讲列向量约定的文章里抄来矩阵顺序，放进行向量约定的代码里，渲染结果各种错位，还找不到原因。
这里要特别提醒：存储顺序（行主序还是列主序）和数学上的"向量在左还是在右"是两件不同的事。行主序存储只影响内存布局和传参方式，并不直接决定乘法顺序；决定乘法顺序的是你采用的向量约定。很多人把这两件事混在一起，修 bug 时越改越乱。我的一般建议是：拿到一段矩阵代码，先确认它用行向量还是列向量约定，再想变换顺序，最后才谈存储布局。
6.2 数据科学里 Xw 和 wᵀX 的两种身份
在机器学习里，左乘右乘也无处不在。设 X 是 n 行 p 列的设计矩阵，每一行是一个样本，每一列是一个特征；w 是 p 维权重列向量。线性回归的预测值是：
y_pred = Xw它的第 i 个分量是样本 xᵢ 与 w 的点积。这里 X 的每一行是一台"测量仪"，w 是被测量的对象，Xw 是把所有样本的测量读数排成一列。注意，这和"左乘是变换"的直观不同：X 并不是在空间里搬动 w，而是在逐行"检测" w。这个视角转换很重要，因为数据科学里矩阵往往通过行表示样本，行向量的测量仪身份比列向量的点身份更常用。
反过来，wᵀX 是一个 1×n 的行向量，它的含义是对 X 的行做加权组合：用 w 的分量把 n 个样本混合成一个新样本。PCA 里的得分向量、推荐系统里的用户表示聚合，本质上都是这种行组合操作。同样是 w 和 X，写成 Xw 是对样本逐行打分，写成 wᵀX 是对样本逐行混合，输出形状完全不同。写代码前先确认你要的是 n×1 的打分列，还是 1×n 的聚合行，能避免大量维度不匹配的报错。
这里还有一个隐藏的右乘场景：最小二乘的梯度。损失函数 ‖Xw − y‖² 对 w 求导得到 2Xᵀ(Xw − y)，Xᵀ 左乘残差向量。Xᵀ 左乘的几何本质，是把残差从"样本空间"投影回"特征空间"，这个过程正是行向量测量仪的组合逻辑在起作用。看懂这一层，线性代数和机器学习的接口就打通了。
6.3 马尔可夫链的行随机和列随机约定
马尔可夫链的转移矩阵也有左右乘之分，而且在不同的书里约定相反，极其容易踩坑。
列随机约定下，转移矩阵 P 的每一列之和为 1，状态分布写成列向量，一步转移是：
p_{t+1} = P · p_t平稳分布满足 P·π = π。这是把 P 当左乘变换，把分布当列向量，每一步都是矩阵在左边推着分布前进。
行随机约定下，转移矩阵的每一行之和为 1，状态分布写成行向量，一步转移是：
p_{t+1} = p_t · P平稳分布满足 π·P = π。这时分布站在 P 的左边，P 在右边乘它，是典型的右乘操作。
两种约定其实是同一个模型，写成矩阵时互为转置。但如果你读了一篇用行随机约定的论文，拿到代码里却按列随机约定写，转移方向就会完全颠倒，模拟出来的轨迹、稳态分布全部对不上。我见过不止一个做推荐系统、做 PageRank 的朋友在这个坑里耗掉好几天。解决办法很简单：拿到任意一段马尔可夫代码，先看它是把分布放在矩阵左边还是右边，再确认矩阵是行和还是列和为 1，两个信息对齐了再动逻辑。
6.4 我的调试土办法：用单位基向量当探针
最后分享一个我用了很多年的土办法，对付所有左右乘混乱的场景都有效：拿标准基向量当探针。
矩阵 A 和标准基向量 eⱼ 左乘，A·eⱼ 的结果正好是 A 的第 j 列。同理，eᵢᵀA 的结果是 A 的第 i 行。这一条规则是调试矩阵代码的利器。当你不确定一段代码里的矩阵是不是你要的变换时，不要盯着几十个浮点数看，直接把 (1, 0)、 (0, 1) 这样的基向量喂进去，看输出落在了哪里。如果预期是旋转 90° 后拉伸，e₁ 应该先到 (0, 1) 再到 (0, 2)，实际输出对不上，立刻就能定位是哪一步顺序错了。
我的习惯是：先算维度，左边矩阵的列数必须等于右边矩阵的行数；再用 e₁ 和 e₂ 分别作为输入跑一次；最后用人眼检查结果的方向对不对。维度错了是低级错误，方向错了是左右乘顺序问题，这两个检查基本能排查掉九成以上的矩阵 bug。矩阵乘法的结合律一直成立，所以调试时可以放心加括号、拆开逐步验证，不用担心改变结果；不可交换的只是顺序，不是结合方式。
从最开始讲"左乘是搬运、右乘是测量"，到后来用列空间、行空间、相似变换把这些串起来，我想表达的核心只有一句话：遇到任何矩阵乘法，先问自己一句——此刻谁在作用谁，哪个矩阵先动手。把这个问题想清楚，法向量为什么用逆的转置、P⁻¹AP 为什么是那个顺序、随机矩阵要不要转置，这些公式都不再需要背，而是能顺着几何逻辑推出来。这也是我在图形学和数据分析项目里，左右乘这个知识点最值回票价的地方。
