导读：Axler《线性代数应该这样学》的革命性在于叙述顺序：先线性映射与不变子空间，最后才引入行列式。谱定理等核心结果因此变得透明。
映射优先
线性映射 $T:V\to W$ 由基向量像唯一决定；矩阵只是映射在选定基下的「坐标快照」。换基 = 相似变换 $P^{-1}TP$——不变的是映射本身。这个视角让「哪些量是内蕴的」一目了然。
核心概念链：零空间/值域 → 不变子空间 → 特征向量 → 上三角化。Axler 证明复向量空间上必存在使 $T$ 上三角的基（对维数归纳），谱定理只是它的实对称升级。
为什么行列式放最后
行列式先行的教材会诱导「用行列式定义特征多项式」的路线，掩盖特征向量的几何本质。Axler 路线：特征向量直接由 $Tv = \lambda v$ 定义，上三角化保证存在性，行列式退化为计算工具。
代价：某些论证（如 Cayley-Hamilton）需要另辟蹊径——Axler 用「对角化 + 一般情形的逼近论证」完成，反而更具启发性。
内积空间的结构定理
引入内积后，正交补 $U^\perp$ 把空间干净地分解：$V = U \oplus U^\perp$。自伴算子 $T=T^*$ 在正交基下实特征值 + 正交特征向量——谱定理的全部内容，两页讲完且每个符号都有几何意义。
常见误区
- 用行列式 $\det(T-\lambda I)=0$ 当特征值的定义而非计算工具。
- 混淆「相似」与「酉等价」：只有后者保内积结构。
吃透自检
- 能用映射语言不写矩阵证明谱定理
- 能说明 Axler 顺序对理解特征值的好处
- 能完成「复空间上三角化」的归纳证明