霍风风很多同学学到线性代数第三章"向量组"的时候，会突然有一种"线代变难了"的感觉。行列式和矩阵还能靠算，向量组似乎既抽象又不知道在算什么。这种感觉很正常——向量组是这门课第一次从"怎么算"转向"怎么理解结构"。我带过很多届考研学生，前面几章大家做题都很快，到向量组突然齐刷刷慢了下来，不是因为计算量变大，而是因为思考方式变了。这篇文章就是给正在备考考研、或者学到这一章有点发懵的同学写的。我会把向量组讲成一条线：它从哪里来、要解决什么问题、考试怎么考、做题怎么下手，读完你至少能建立起一套完整的做题框架。
1. 从行列式到向量组：这一课的跨越到底跨在哪
1.1 前三章其实是一条主线
考研线代通常按这样的顺序推进：第一章行列式，第二章矩阵，第三章向量组。很多同学把这几个章节当成孤立的考点去背，于是越学越乱。实际上，前三章是一条上升主线：行列式是一个数，矩阵是一张表格，向量组则是一组按顺序排列的数。你可以理解成：行列式是单个数据点，矩阵是数据表格，而向量组开始研究"一组数据之间有什么结构关系"。
为什么第三课要放在这里？因为向量组是连接矩阵和线性方程组的枢纽。后面第四章线性方程组、第五章特征值、第六章二次型，全都要用到向量组的语言。可以说，第三章学得好不好，直接决定你后面几章是"听懂"还是"真懂"。
1.2 从"容器"到"结构"的视角转换
先明确一个基本对象：n维向量就是n个有序实数排成的一列（或一行）。比如
[
\alpha = \begin{pmatrix} 1 \ 2 \ 3 \end{pmatrix}
]
就是一个三维列向量。它和矩阵的区别在于，矩阵可以有任意行数和列数，而向量强调的是一串有序的数本身。多个同维数的向量放在一起，就组成了向量组。比如
[
\alpha_1=\begin{pmatrix}1\2\3\end{pmatrix},\quad
\alpha_2=\begin{pmatrix}2\4\6\end{pmatrix},\quad
\alpha_3=\begin{pmatrix}-1\0\1\end{pmatrix}
]
这三个三维向量合起来就是一个向量组，通常写成 (\alpha_1,\alpha_2,\alpha_3)。
从几何上看，三维向量可以理解成空间中的一个带方向的箭头。但从代数运算的角度看，你不需要去"想象"超过三维的图像，只需要把它当成一串有序的数。这就是为什么线性代数这门课可以处理100维、1000维的数据——它不是靠几何直觉，而是靠代数规则。
向量组能干什么？举个例子，一个线性方程组
[
\begin{cases}
x_1 + 2x_2 = 3 \
2x_1 - x_2 = 1
\end{cases}
]
可以看成常数项向量 ((3,1)^T) 能否由系数列向量 ((1,2)^T) 和 ((2,-1)^T) 通过某种组合"拼"出来。这就是向量组的核心问题之一：一个向量能不能由一组向量表示。而这种"能不能表示"的问题，恰好和方程组有没有解完全对应。
所以在进入正文之前，你先建立一个观念：向量组不是凭空冒出来的新知识，它是从"怎么算数"升级成"怎么分析一组数之间的关系"。前面学的矩阵运算，是这一章的计算工具；后面学的方程组理论，是这一章的延伸应用。
1.3 这一章你必须掌握的四件事
根据考研大纲和历年真题，向量组这一章需要掌握的核心内容可以压缩成四件事：
- 线性相关与线性无关的判断——这是本章的基础判断，也是选择题的常客。
- 一个向量能否由一组向量线性表示——本质上是非齐次方程组是否有解。
- 极大线性无关组与向量组的秩——这是本章的核心结论，也是联系矩阵秩的桥梁。
- 向量组等价——两个向量组能否互相表示，是考试中的进阶考点。
下面我按这个顺序，一层一层拆开讲。你会发现，这四件事其实是同一个逻辑在不同场景下的展开。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 线性相关与线性无关：先把直觉建立起来
2.1 用"冗余"来理解相关
先别急着背定义。我给你一个生活化的场景：一个三人小组做项目，如果任何一个人的活，另外两个人通过分工都能替他干完，那这个人就"冗余"了；如果三个人的技能谁也无法替代谁，那这三人就是"缺一不可"的。
线性相关说的就是这种"冗余"。严格定义是这样的：
对于向量组 (\alpha_1,\alpha_2,\dots,\alpha_s)，如果存在不全为零的常数 (k_1,k_2,\dots,k_s)，使得
[
k_1\alpha_1+k_2\alpha_2+\cdots+k_s\alpha_s=0
]
就称这个向量组线性相关；如果只有当 (k_1=k_2=\cdots=k_s=0) 时上式才成立，就称这个向量组线性无关。
理解这个定义的关键在"不全为零"这四个字。如果所有 (k_i) 都为零，那等式当然成立，但说明不了任何问题。需要存在一组"不全是零"的系数，能把这些向量通过加减乘数"抵消"成零向量，这才说明向量组内部存在依赖关系。
2.2 相关性与"线性表示"的关系
线性相关和"某个向量能被其他向量表示"是紧密绑在一起的。有一个基本定理：
向量组 (\alpha_1,\dots,\alpha_s)（(s\ge 2)）线性相关的充要条件是：其中至少有一个向量可以由其余 (s-1) 个向量线性表示。
这个定理可以直接从定义推出来。如果相关，就存在不全为零的 (k_1,\dots,k_s)。假设 (k_1\neq 0)，那么把含 (\alpha_1) 的项单独留在左边，其余全移到右边：
[
\alpha_1=-\frac{k_2}{k_1}\alpha_2-\cdots-\frac{k_s}{k_1}\alpha_s
]
这就是用其余向量表示 (\alpha_1)。反过来，如果某个向量能由其余向量表示，把表达式移到一边就能凑出一组不全为零的系数，所以相关。
这个定理非常重要，它把"相关"这种抽象概念，转化成"能不能互相拼出来"的具体问题。但注意：定理说的是"至少有一个"能被表示，不是说每一个都能被表示。这是初学者最容易踩的误区。比如 (\alpha_1=(1,0)^T,\alpha_2=(2,0)^T,\alpha_3=(0,1)^T)，这个向量组是相关的（因为前两个成比例），但 (\alpha_3) 并不能由 (\alpha_1,\alpha_2) 表示，因为后两个的分量组合永远在x轴上，无法产生 y 方向的分量。
2.3 最简单的几个结论：单个、两个、多个
对于特殊数量的向量，有一些现成的结论可以直接用：
- 单个向量：(\alpha) 线性相关的充要条件是 (\alpha=0)。非零向量一定线性无关。
- 两个向量：(\alpha_1,\alpha_2) 线性相关的充要条件是它们对应分量成比例。比如 ((1,2)^T) 和 ((2,4)^T) 成比例，所以相关。
- 任意含零向量的向量组：一定线性相关。因为取零向量前的系数为1，其他系数为0，就能凑出零向量。
- 个数大于维数：如果向量组中有 (s) 个 (n) 维向量，且 (s>n)，则这个向量组必线性相关。比如三个二维向量一定相关，四个三维向量一定相关。这个结论考研选择题常考，可以直接用。
提示："个数大于维数必相关"这个结论特别容易和"维数大于个数"弄反。记住一个直观例子：平面上（二维）最多有两个不共线的方向，你硬塞三个向量进去，必然有一个是多余的。这就是"个数超了"的本质。
3. 判断相关无关的三种硬核工具：定义、秩、方程组
判断线性相关与无关，是本章的基础操作。考试中不光是直接问"判断下列向量组是否线性相关"，更常见的是在证明题、含参讨论题里需要你判断。这里我给出三种方法，以及它们各自最适用的场景。
3.1 方法一：定义法——证明题的主场
定义法就是按照定义，设 (k_1\alpha_1+\cdots+k_s\alpha_s=0)，然后推导 (k_i) 是否全为零。如果推出必然全为零，则线性无关；如果找到一组不全为零的系数，则线性相关。
来看一个典型的证明题：已知 (\alpha_1,\alpha_2,\alpha_3) 线性无关，证明 (\beta_1=\alpha_1+\alpha_2,\ \beta_2=\alpha_2+\alpha_3,\ \beta_3=\alpha_3+\alpha_1) 也线性无关。
解这类题的标准思路是：设 (k_1\beta_1+k_2\beta_2+k_3\beta_3=0)，代入得
[
k_1(\alpha_1+\alpha_2)+k_2(\alpha_2+\alpha_3)+k_3(\alpha_3+\alpha_1)=0
]
整理成
[
(k_1+k_3)\alpha_1+(k_1+k_2)\alpha_2+(k_2+k_3)\alpha_3=0
]
因为 (\alpha_1,\alpha_2,\alpha_3) 线性无关，所以它们的系数必须全为零：
[
\begin{cases}
k_1+k_3=0 \
k_1+k_2=0 \
k_2+k_3=0
\end{cases}
]
解这个齐次方程组，得到 (k_1=k_2=k_3=0)。所以 (\beta_1,\beta_2,\beta_3) 线性无关。
定义法看起来简单，但实际做题时需要注意：一定要把"(\alpha) 组线性无关"这个条件用充分，也就是把组合整理成 (\alpha) 的系数全为零，再解出 (k)。很多同学做到一半就卡住，是因为没有意识到"线性无关"的等价表述就是"组合系数全为零"。
3.2 方法二：秩法——最高效的通行工具
把向量组按列排成矩阵 (A)（每个向量是一列），那么：
向量组 (\alpha_1,\dots,\alpha_s) 线性相关 (\iff r(A) < s)
向量组 (\alpha_1,\dots,\alpha_s) 线性无关 (\iff r(A) = s)
为什么？因为 (r(A)) 的本质就是矩阵列向量组的极大线性无关组所含向量个数。如果这个个数小于总向量个数，说明有冗余；等于总个数，说明人人都不可替代。
这个方法在计算题里几乎是无敌的。看个例子：判断向量组
[
\alpha_1=\begin{pmatrix}1\1\1\end{pmatrix},\quad
\alpha_2=\begin{pmatrix}1\2\3\end{pmatrix},\quad
\alpha_3=\begin{pmatrix}1\3\t\end{pmatrix}
]
的线性相关性。把三个向量排成矩阵
[
A=\begin{pmatrix}
1 & 1 & 1 \
1 & 2 & 3 \
1 & 3 & t
\end{pmatrix}
]
这是三阶方阵，可以直接算行列式：
[
\det A = 1\cdot(2t-9)-1\cdot(1t-3)+1\cdot(3-2)=2t-9-t+3+1=t-5
]
所以当 (t=5) 时，(\det A=0)，(r(A)<3)，向量组线性相关；当 (t\neq 5) 时，(r(A)=3)，向量组线性无关。
如果你的向量个数不等于维数（不是方阵），不好用行列式，就用初等行变换把矩阵化成行阶梯形，看非零行数（也就是秩）来判断。
3.3 方法三：齐次方程组视角
向量组相关性的定义，本质上就是齐次线性方程组
[
x_1\alpha_1+x_2\alpha_2+\cdots+x_s\alpha_s=0
]
是否有非零解。有非零解，就是相关；只有零解，就是无关。这个说法和方法二完全等价，但角度不同，在综合题里经常用到。
比如题目这样出：已知 (\alpha_1,\alpha_2,\alpha_3) 线性相关，问齐次方程组 (x_1\alpha_1+x_2\alpha_2+x_3\alpha_3=0) 的基础解系所含向量个数是多少。这类题就是把向量组放进方程组的框架里考。
三种方法的适用场景我整理成一张表：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 定义法 | 证明题、抽象的向量组 | 逻辑清晰，普适性强 | 计算量大，步骤多 |
| 秩法 | 具体向量组、含参向量组 | 计算套路固定，快 | 需要矩阵运算基础 |
| 齐次方程组视角 | 综合题、与方程组章节联动 | 连接前后知识 | 需要建立方程组模型 |
3.4 初等行变换时的两个关键提醒
用秩法判断相关性时，可能会遇到含参数的向量组。这时要注意：如果向量组排列成方阵，优先考虑行列式；如果不是方阵，就做初等行变换，变换过程中盯着主元讨论参数。
比如要把参数放哪一行不影响结论，但为了计算方便，通常把含参数的向量放在最后一列，然后从第一列开始消元。行变换过程中不要做列变换，因为列变换会改变列向量组之间的线性关系，虽然不改变秩，但如果你后面还要找极大线性无关组，就不能乱换列。
还有一点：初等行变换不会改变列向量组的线性相关性。这是"求极大无关组"方法的理论依据，后面我会详细讲。
4. 线性表示：一个向量能不能"挤进"一组向量
4.1 线性表示的定义与判定
设 (\alpha_1,\alpha_2,\dots,\alpha_s) 是一组向量，(\beta) 是另一个同维数向量。如果存在常数 (c_1,c_2,\dots,c_s)，使得
[
\beta=c_1\alpha_1+c_2\alpha_2+\cdots+c_s\alpha_s
]
就说 (\beta) 可以由 (\alpha_1,\dots,\alpha_s) 线性表示，或者说 (\beta) 是这组向量的线性组合。
这个定义和"拼出来"的直觉完全一致。把 (\alpha_1,\dots,\alpha_s) 看成原料，(\beta) 看成成品，线性表示问的就是：手头的这些原料能不能按一定比例组合出成品？
判定的方法也很直接：把 (\alpha_1,\dots,\alpha_s) 排成矩阵 (A)，把 (\beta) 作为增广列，考察非齐次线性方程组
[
Ax=\beta
]
是否有解。有解就能表示，无解就不能表示。更具体地说，判断的标准是：
(\beta) 能由 (\alpha_1,\dots,\alpha_s) 线性表示 (\iff r(A)=r(A,\beta))
这里的 ((A,\beta)) 表示把 (\beta) 接到 (A) 的最后一列组成的增广矩阵。这个结论和第四章线性方程组有解判定完全一致，只是换了一身"向量组"的衣服。
4.2 一个完整例子
判断 (\beta=(2,3,2)^T) 能否由 (\alpha_1=(1,1,1)^T,\alpha_2=(1,2,1)^T) 线性表示。
排成增广矩阵
[
(A,\beta)=
\begin{pmatrix}
1 & 1 & 2 \
1 & 2 & 3 \
1 & 1 & 2
\end{pmatrix}
]
用初等行变换化成行阶梯形：
[
\begin{pmatrix}
1 & 1 & 2 \
0 & 1 & 1 \
0 & 0 & 0
\end{pmatrix}
]
可以看到 (r(A)=2)，(r(A,\beta)=2)，秩相等，所以 (\beta) 可以由 (\alpha_1,\alpha_2) 表示。继续把行阶梯形化成行最简形，可以得到具体的表示系数。实际上设 (x_1\alpha_1+x_2\alpha_2=\beta)，解出 (x_1=1,x_2=1)，所以
[
\beta=\alpha_1+\alpha_2
]
如果你把 (\beta) 改成 ((2,3,3)^T)，增广矩阵行变换后会得到最后一行形如 ((0\ 0\ 1))，此时 (r(A)=2)，(r(A,\beta)=3)，秩不等，方程组无解，(\beta) 就不能由 (\alpha_1,\alpha_2) 表示。这一步的差别就是秩的变化，也是你是否能"拼出目标"的唯一判据。
4.3 向量组等价：互相表示才是真兄弟
两个向量组 (\alpha_1,\dots,\alpha_s) 和 (\beta_1,\dots,\beta_t)，如果 (\alpha) 组中每一个向量都能由 (\beta) 组线性表示，同时 (\beta) 组中每一个向量也能由 (\alpha) 组线性表示，就称这两个向量组等价。
向量组等价有几个重要结论：
- 等价关系具有反身性、对称性、传递性。
- 两个向量组等价的充要条件是：它们的极大线性无关组等价。
- 如果 (\alpha) 组能由 (\beta) 组线性表示，那么 (r(\alpha_1,\dots,\alpha_s)\le r(\beta_1,\dots,\beta_t))。
结论3特别重要，也特别容易用错。它的意思是：如果一组向量全都能用另一组向量"拼"出来，那么这组向量的秩不可能超过另一组。换句话说，我没有新的方向，就不可能比你拥有更多独立方向。这个结论在证明题的秩比较里非常常用。
注意：两个向量组等秩不一定等价。比如 (\alpha_1=(1,0)^T) 和 (\beta_1=(0,1)^T)，两个组的秩都是1，但 (\alpha_1) 无法由 (\beta_1) 表示（因为方向完全垂直），所以它们虽然等秩，但并不等价。初学者经常把"等秩"和"等价"混为一谈，这是一大失分点。
5. 极大线性无关组与向量组的秩：本课的心脏
5.1 什么叫极大线性无关组
从一个向量组里挑出一部分向量，如果满足两个条件：
- 挑出的这部分向量本身线性无关；
- 在原向量组里再任意加入一个向量（如果还有的话），新的一组就线性相关。
那么这一部分向量就叫原向量组的极大线性无关组。
用"冗余"的理解方式：极大线性无关组就是"去掉所有冗余之后剩下的核心团队"。这个核心团队内部人人不可替代；但任何外来者想加入，都会让团队产生冗余。
两个关键事实：
- 极大线性无关组一定存在，但不唯一。比如向量组 ((1,0)^T,(0,1)^T,(1,1)^T)，任意两个不共线的向量都能构成极大线性无关组，所以 ((1,0)^T,(0,1)^T) 可以，((1,0)^T,(1,1)^T) 也可以。
- 不同的极大线性无关组所含向量个数相同。这个个数就叫向量组的秩，记作 (r(\alpha_1,\dots,\alpha_s))。
5.2 怎么找极大线性无关组：用行变换
给你一个具体的向量组，比如
[
\alpha_1=\begin{pmatrix}1\1\1\end{pmatrix},\quad
\alpha_2=\begin{pmatrix}2\1\2\end{pmatrix},\quad
\alpha_3=\begin{pmatrix}1\2\1\end{pmatrix}
]
要找极大线性无关组，并把不在其中的向量用它们表示出来，标准步骤是：
第一步：把向量按列排成矩阵
[
A=\begin{pmatrix}
1 & 2 & 1 \
1 & 1 & 2 \
1 & 2 & 1
\end{pmatrix}
]
注意这里 (\alpha_1) 放第一列，(\alpha_2) 放第二列，(\alpha_3) 放第三列。
第二步：对 (A) 做初等行变换，化成行阶梯形
[
\begin{pmatrix}
1 & 2 & 1 \
0 & -1 & 1 \
0 & 0 & 0
\end{pmatrix}
]
非零行数是2，所以 (r(A)=2)，向量组的秩为2。
第三步：行阶梯形中主元所在列是第一列和第二列，所以原向量组中的 (\alpha_1,\alpha_2) 构成一个极大线性无关组。
第四步（如果需要表示）：继续把行阶梯形化为行最简形
[
\begin{pmatrix}
1 & 0 & 3 \
0 & 1 & -1 \
0 & 0 & 0
\end{pmatrix}
]
这时最后一列的数字 ((3,-1)^T) 就是 (\alpha_3) 用前两列表示的系数，即
[
\alpha_3=3\alpha_1-\alpha_2
]
这个步骤的原理需要说清楚：初等行变换相当于对矩阵每一行做线性组合，它不改变列向量组之间的线性关系。所以在行最简形中读到的列向量关系，放到原矩阵里依然成立。这就是为什么前面强调"只能用行变换，不能用列变换"。
5.3 极大线性无关组不唯一，怎样快速找
如果题目只要求"找出一个极大线性无关组"，方法就更多了。你可以直接用定义：从向量组中从左到右逐个看，能保持线性无关的就收下，一旦加入后相关就跳过。这种"扫描法"在概念题里很好使。
还有一种更偏向计算的思路：用初等行变换后主元列对应的原向量就是一组极大无关组。但注意，如果你交换了列，主元列对应的原向量就会错位，所以尽量不交换列。如果遇到需要交换列才能继续化简的矩阵，要同时记住你交换了哪些列。
5.4 向量组的秩与矩阵的秩统一了
这是本章最重要的连接点：
矩阵的秩 = 矩阵列向量组的秩 = 矩阵行向量组的秩
也就是说，一个 (m\times n) 矩阵 (A) 的秩 (r(A))，既可以理解为"非零子式的最高阶数"，也可以理解为"列向量组中极大线性无关组的个数"。这两个定义看似不同，实际上描述的是同一件事。
有了这个统一，前面用秩法判断相关性就完全自洽了：(r(A)=s) 说明列向量组的极大无关组恰好包含所有列，所以各列线性无关；(r(A)<s) 说明有冗余列，所以相关。
6. 向量组、矩阵、方程组的三方联动
6.1 基础解系就是解空间的极大线性无关组
到了这一节，你会看到向量组的知识点开始全面渗透到方程组里。第四章会讲：齐次线性方程组 (Ax=0) 若有非零解，其所有解构成一个向量组，这个向量组的极大线性无关组就是基础解系。
基础解系所含向量的个数，等于未知数个数减去系数矩阵的秩：
[
\text{基础解系向量个数} = n - r(A)
]
这个公式看起来横空出世，其实它的核心就是向量组的秩：(r(A)) 是约束条件的独立个数，(n-r(A)) 是自由变量的个数，也是解空间中独立方向的个数。
如果你理解了向量组的秩，那么这个公式就不再是需要死记的结论，而是一个自然的延伸。
6.2 线性方程组有解判定与线性表示
非齐次方程组 (Ax=b) 有解的充要条件是 (r(A)=r(A,b))。这个判定条件其实就是在说：常数项向量 (b) 能不能由系数矩阵的列向量组线性表示。
所以你可以把整个第四章的"方程组有解判定"统一成一句话：
方程组有解 (\iff) 常数项向量能被系数矩阵的列向量组拼出来 (\iff) 增广矩阵的秩不变。
这种"一题两看"的能力，是考研数学高分的关键。同一个题目，从方程组角度看是"是否有解"，从向量组角度看是"能否线性表示"，两种视角互译，很多难题就会变得清晰。
6.3 秩这个指标为什么无处不在
纵观整个线性代数，你会发现"秩"就像一条暗线贯穿始终：
- 矩阵的秩：非零子式的最高阶数；
- 向量组的秩：极大线性无关组的个数；
- 方程组解的判定：比较系数矩阵和增广矩阵的秩；
- 基础解系数量：(n-r(A))；
- 矩阵可逆：方阵的秩等于阶数。
为什么秩这么重要？因为它衡量的是"信息量"或者"独立方向的个数"。在线性代数这个框架里，所有问题最终都可以归结为：有多少个独立方向？这些方向之间有没有依赖关系？抓住秩这条线，整门课就不会散。
6.4 典型综合题的思路示范
来看一道把向量组和方程组串起来的常见题型：已知 (\alpha_1,\alpha_2,\alpha_3) 是某个齐次方程组的基础解系，问 (\alpha_1+\alpha_2,\alpha_2+\alpha_3,\alpha_3+\alpha_1) 是否也是基础解系。
解题思路很清晰。要让一组解向量成为基础解系，需要满足两个条件：一是这组向量仍然是方程组 (Ax=0) 的解；二是这组向量线性无关，且个数等于 (n-r(A))。
条件一：因为 (\alpha_1,\alpha_2,\alpha_3) 都是解，所以它们的线性组合也是解，因此 (\alpha_1+\alpha_2,\alpha_2+\alpha_3,\alpha_3+\alpha_1) 这些组合当然也是解。条件二：设 (k_1(\alpha_1+\alpha_2)+k_2(\alpha_2+\alpha_3)+k_3(\alpha_3+\alpha_1)=0)，整理成 ((k_1+k_3)\alpha_1+(k_1+k_2)\alpha_2+(k_2+k_3)\alpha_3=0)，由于 (\alpha) 组线性无关，得到齐次方程组，解得 (k_1=k_2=k_3=0)，所以组合后的向量也线性无关。个数还是3个，因此仍然是基础解系。
这道题的本质就是"线性无关向量组经过可逆线性变换后仍然线性无关"。你还可以用坐标矩阵法快速判断：设 ((\beta_1,\beta_2,\beta_3)=(\alpha_1,\alpha_2,\alpha_3)C)，其中
[
C=\begin{pmatrix}
1 & 0 & 1 \
1 & 1 & 0 \
0 & 1 & 1
\end{pmatrix}
]
计算 (\det C=2\neq0)，所以 (C) 可逆，(\beta) 组和 (\alpha) 组拥有相同的秩，因此线性无关。这种方法在选择题里可以快速省时间。
7. 从真题拆出的核心题型与常用套路
7.1 题型一：直接判断相关性
这种题通常给几个具体的向量，问线性相关的是哪一组。最稳的做法就是排成矩阵求秩，秩小于向量个数就是相关。如果向量排成方阵，直接算行列式，行列式等于零就是相关，不等于零就是无关。
但有个快判技巧：先观察有没有零向量、有没有成比例的向量、向量个数是否大于维数。只要命中这三个特征，不用算就能确定相关。比如给你四个四维向量，乍一看必须算，但如果发现其中两个成比例，直接就能判断相关。
7.2 题型二：含参数的向量组
含参数题是考研的高频题。比如前面例子里的 (t)，解法分两类：方阵用行列式，非方阵用初等行变换分类讨论。
关键是讨论参数时不要遗漏边界情况。行变换过程中，主元位置的参数如果可能为0，就要按"参数等于0"和"参数不等于0"分类。做完后还要检查一下，秩在不同分类下是否满足题意。这类题考查的不只是计算能力，还有分类讨论的严谨性。
7.3 题型三：证明线性无关
证明题有两种主流套路：
套路一：定义法。设组合为零，利用已知条件推出系数全为零。前面 (\beta_1=\alpha_1+\alpha_2) 那道题就是标准例子。
套路二：坐标矩阵法。如果能找到可逆矩阵 (C)，使得新向量组等于旧向量组乘以 (C)，那么新旧向量组的秩相同，相关性保持一致。这个方法在涉及"线性变换"概念时尤其好用。
我建议你两种方法都掌握：定义法永远是最后的保险，坐标矩阵法能在压轴题里大幅节省推理时间。
7.4 易错点对照表
| 易错说法 | 正确理解 |
|---|---|
| 向量组相关，则每个向量都能由其余向量表示 | 相关只保证至少有一个能表示，不是每个都能 |
| 向量组等于秩，则两个向量组等价 | 等秩不一定等价，充要条件是互相线性表示 |
| 整体无关则部分无关，部分相关则整体相关 | 正确，但反过来都不成立 |
| 个数大于维数必相关 | 正确，直接使用 |
| 向量组无关，则任意去掉分量后也无关 | 错误。去掉分量可能引入关系，加长分量才保持无关 |
| 行变换会改变列向量组的线性关系 | 错误，行变换不改变列向量组的线性关系 |
每条都值得你停下来想一想。如果这些错误说法里有一个现在让你觉得"好像是对的"，那说明你对这一章的理解还有漏洞。
7.5 学习建议
最后说一点我的教学体会。向量组这一章，初学者最容易犯的毛病是只背结论不推过程。比如"个数大于维数必相关"这句话好背，但你要知道它为什么成立：因为齐次方程的未知数个数多于方程个数时必有非零解。一旦你理解了背后的原因，遇到变式题就不会慌。
其次，做题时一定要把向量组和矩阵联系起来：看到一组向量，立刻想"这些向量排成矩阵长什么样"；看到增广矩阵，立刻想"常数项列能不能被前面列表示"。这种随时切换视角的习惯，比多刷十道题都管用。
我在实际教学中还发现，很多学生卡在"极大线性无关组不唯一"这一点上，心里总觉得答案应该是唯一的。其实不唯一才是常态，考试中只要找出一组满足条件的就行。做题时不用纠结"为什么别人的极大无关组和我不同"，只要秩相同，两组都对。