点积：分量定义与几何定义
摘要
本文探讨了欧几里得空间中向量点积的分量定义与几何定义之间的等价性，提供了使用余弦定理的几何证明以及使用标准正交基的投影证明。
<p>本文的目标是回答一个简单问题：为什么欧几里得空间中向量点积的以下两个定义对于向量 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/1e37c650a8e07c81d1a1b03f075bdf45139d65e9.svg" style="height: 13px;" type="image/svg+xml">\vec{a}</object> 和 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/71fa108edb785ca9f729fa3cd5ad18556dd682e4.svg" style="height: 18px;" type="image/svg+xml">\vec{b}</object> 是等价的：</p>
<ul class="simple">
<li>分量定义：<object class="valign-m5" data="https://eli.thegreenplace.net/images/math/ceda7d1aeff7f71ec163c06a1027301880a1a11a.svg" style="height: 23px;" type="image/svg+xml">\vec{a}\cdot\vec{b}=\sum_{i=1}^{n}a_i b_i</object></li>
<li>几何定义：<object class="valign-m4" data="https://eli.thegreenplace.net/images/math/18295d9ada05bf75a8c4e834b5cdb5a1fb8236b7.svg" style="height: 22px;" type="image/svg+xml">\vec{a}\cdot\vec{b}=|\vec{a}||\vec{b}|cos(\theta)</object>，其中 <object class="valign-m4" data="https://eli.thegreenplace.net/images/math/0cab7c57b6f3ee6067b1490781094dd2a0b060ee.svg" style="height: 18px;" type="image/svg+xml">|\vec{a}|</object> 是 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/1e37c650a8e07c81d1a1b03f075bdf45139d65e9.svg" style="height: 13px;" type="image/svg+xml">\vec{a}</object> 的模长，<img alt="θ" class="valign-0" src="https://eli.thegreenplace.net/images/math/cb005d76f9f2e394a770c2562c2e150a413b3216.png" style="height: 12px;" /> 是向量方向之间的夹角</li>
</ul>
<p>下面是我们的向量的图形描述（为清晰起见，聚焦于 <img alt="R²" class="valign-0" src="https://eli.thegreenplace.net/images/math/2b688757b3d0949451e1fa97e71ac5f5f284a5e4.png" style="height: 15px;" />，但这适用于任意维度的向量）。它同时显示了向量的分量和它们之间的夹角。箭头 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/1e37c650a8e07c81d1a1b03f075bdf45139d65e9.svg" style="height: 13px;" type="image/svg+xml">\vec{a}</object> 的长度为 <object class="valign-m4" data="https://eli.thegreenplace.net/images/math/0cab7c57b6f3ee6067b1490781094dd2a0b060ee.svg" style="height: 18px;" type="image/svg+xml">|\vec{a}|</object>。</p>
<img alt="笛卡尔平面中的向量 a 和 b" class="align-center" src="https://eli.thegreenplace.net/images/2026/vec-ab.png" />
<p>我们将在此展示等价性的两个证明：<em>几何证明</em>和<em>投影证明</em>。附录描述了点积的一些性质，有助于这些证明。</p>
<div class="section" id="geometric-proof">
<h2>几何证明</h2>
<p>我们将使用向量 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/1e37c650a8e07c81d1a1b03f075bdf45139d65e9.svg" style="height: 13px;" type="image/svg+xml">\vec{a}</object> 和 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/71fa108edb785ca9f729fa3cd5ad18556dd682e4.svg" style="height: 18px;" type="image/svg+xml">\vec{b}</object> 的图示，以及向量 <object class="valign-m1" data="https://eli.thegreenplace.net/images/math/8a5592cb1eea55d16a0003f0821da2c56d6b57b9.svg" style="height: 19px;" type="image/svg+xml">\vec{c}=\vec{a}-\vec{b}</object>：</p>
<img alt="笛卡尔平面中的向量 a、b 和 c" class="align-center" src="https://eli.thegreenplace.net/images/2026/vec-abc.png" />
<p>对由三个向量构成的三角形应用余弦定理 <a class="footnote-reference" href="#footnote-2" id="footnote-reference-2">[2]</a>：</p>
<object class="align-center" data="https://eli.thegreenplace.net/images/math/240ccea2153ff31cc6fe50d5e304555cf1cdf7dc.svg" style="height: 22px;" type="image/svg+xml">\[|\vec{c}|^2=|\vec{a}|^2+|\vec{b}|^2-2|\vec{a}||\vec{b}|cos(\theta)\]</object>
<p>由于对于任意向量 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/1e37c650a8e07c81d1a1b03f075bdf45139d65e9.svg" style="height: 13px;" type="image/svg+xml">\vec{a}</object>，有 <object class="valign-m4" data="https://eli.thegreenplace.net/images/math/b422cc5da6849fe3e73781c1b45524a245325e75.svg" style="height: 19px;" type="image/svg+xml">\vec{a}\cdot\vec{a}=|\vec{a}|^2</object>（参见附录），我们将此方程重写为：</p>
<object class="align-center" data="https://eli.thegreenplace.net/images/math/6695944214e34273aa1cf3c5fc019631d3d949eb.svg" style="height: 22px;" type="image/svg+xml">\[\vec{c}\cdot\vec{c}=\vec{a}\cdot\vec{a}+\vec{b}\cdot\vec{b}-2|\vec{a}||\vec{b}|cos(\theta)\]</object>
<p>但 <object class="valign-m1" data="https://eli.thegreenplace.net/images/math/8a5592cb1eea55d16a0003f0821da2c56d6b57b9.svg" style="height: 19px;" type="image/svg+xml">\vec{c}=\vec{a}-\vec{b}</object> 而点积满足分配律（参见附录）。因此：</p>
<object class="align-center" data="https://eli.thegreenplace.net/images/math/e2a2ea0a8703cc17b1247e08f88c0a930f457727.svg" style="height: 110px;" type="image/svg+xml">\[\begin{aligned}
(\vec{a}-\vec{b})\cdot(\vec{a}-\vec{b})&=\vec{a}\cdot\vec{a}+\vec{b}\cdot\vec{b}-2|\vec{a}||\vec{b}|cos(\theta)\\
\vec{a}\cdot\vec{a}-2\vec{a}\cdot\vec{b}+\vec{b}\cdot\vec{b}&=\vec{a}\cdot\vec{a}+\vec{b}\cdot\vec{b}-2|\vec{a}||\vec{b}|cos(\theta)\\
-2\vec{a}\cdot\vec{b}&=-2|\vec{a}||\vec{b}|cos(\theta)\\
\vec{a}\cdot\vec{b}&=|\vec{a}||\vec{b}|cos(\theta)
\end{aligned}\]</object>
</div>
<div class="section" id="projection-proof">
<h2>投影证明</h2>
<p>对于这个证明，我们假设几何定义是正确的，并观察它如何推导出分量定义。我们首先将向量 <object class="valign-m3" data="https://eli.thegreenplace.net/images/math/620cb2dfecf64377c0514f58bb921df1a50bf1cc.svg" style="height: 16px;" type="image/svg+xml">\vec{e}_1,\vec{e}_2\dots\vec{e}_n</object> 表示为 <img alt="Rⁿ" class="valign-0" src="https://eli.thegreenplace.net/images/math/98165cf6e8d5d442e040d1fa47aa6845f09294c5.png" style="height: 12px;" /> 的标准正交基。例如，在二维空间中，这些基向量是 <object class="valign-m4" data="https://eli.thegreenplace.net/images/math/70f6d3f52a446d8fc6697e813283690b52f564f5.svg" style="height: 18px;" type="image/svg+xml">\vec{e}_1=[1\ 0]</object> 和 <object class="valign-m4" data="https://eli.thegreenplace.net/images/math/09f035a2ceccb1ee6e2299b8f3b39fcba5a50415.svg" style="height: 18px;" type="image/svg+xml">\vec{e}_2=[0\ 1]</object>，如下图所示：</p>
<img alt="向量 a 在基向量上的投影" class="align-center" src="https://eli.thegreenplace.net/images/2026/vec-a-proj.png" />
<p>如果我们取任意 <object class="valign-m1" data="https://eli.thegreenplace.net/images/math/e308d2dc4c91a30f229484326d392f20443ae2af.svg" style="height: 13px;" type="image/svg+xml">\vec{a}\in\mathbb{R}^n</object> 并计算它与基向量的点积，可以使用几何定义：</p>
<object class="align-center" data="https://eli.thegreenplace.net/images/math/186133bb5f8369bd1ecf10d5d2b4d943add95e16.svg" style="height: 18px;" type="image/svg+xml">\[\vec{a}\cdot\vec{e}_i=|\vec{a}||\vec{e}_i|cos(\theta_i)=|\vec{a}|cos(\theta_i)=a_i\]</object>
<p>其中 <object class="valign-m3" data="https://eli.thegreenplace.net/images/math/1ba9b59bdee92f38c1698c784b67ba70f803331d.svg" style="height: 10px;" type="image/svg+xml">a_i</object> 是 <object class="valign-0" data="https://eli.thegreenplace.net/images/math/1e37c650a8e07c81d1a1b03f075bdf45139d65e9.svg" style="height: 13px;" type="image/svg+xml">\vec{a}</object> 在 <object class="valign-m3" data="https://eli.thegreenplace.net/images/math/affb5dee8540bbf9212209541eb1f5ae1c892c57
查看缓存全文
缓存时间: 2026/07/11 07:38
# 点积：分量定义与几何定义
来源：https://eli.thegreenplace.net/2026/dot-product-component-vs-geometric-definition
本文旨在回答一个简单的问题：为什么欧几里得空间[\[1\]](https://eli.thegreenplace.net/2026/dot-product-component-vs-geometric-definition#footnote-1)中向量点积的以下两种定义是等价的？
- **分量定义**：
- **几何定义**：，其中 是 的模长， 是两向量方向之间的夹角
以下是对向量 的图形展示（为了清晰起见，聚焦于 ，但这也适用于任意 维向量）。它展示了向量的分量以及它们之间的夹角。箭头 的*长度*为 。
笛卡尔平面中的向量 a 和 b
本文给出两种等价性证明：*几何证明*和*投影证明*。附录描述了便于这些证明的点积的一些性质。
## 几何证明
我们将使用此图展示向量 、 以及向量 ：
笛卡尔平面中的向量 a、b 和 c
对三个向量构成的三角形应用余弦定理[\[2\]](https://eli.thegreenplace.net/2026/dot-product-component-vs-geometric-definition#footnote-2)：
由于对于任意向量 ，有 （见附录），我们将该方程重写为：
但 ，且点积满足分配律（见附录）。因此：
## 投影证明
在本证明中，我们假设几何定义是正确的，并观察它如何导出分量定义。首先，将向量 表示为 的标准正交基。例如，在二维空间中，这些基向量为 和 ，如下图所示：
向量 a 在基向量上的投影
取任意向量 ，并计算它与基向量的点积，使用几何定义：
其中 是 在 方向上的分量。该图通过基本三角学很容易看出原因，但在更一般的情况下，这只是一个[向量投影](https://eli.thegreenplace.net/2024/projections-and-projection-matrices/)。
现在将向量 和 表示为基向量的线性组合：
并计算点积 ，首先用基向量的线性组合重写 ：
利用点积对线性组合的分配性：
但之前我们已证明 。因此：
这正是分量定义 。
## 附录 A：内积空间
在 中点积的推广是*内积*，这是一个定义在向量空间上并满足特定条件的运算。
内积记作 ，必须满足以下所有条件（对任意向量 和标量 ）：
- **对称性：**
- **第一个参数上的线性性：**
- **正定性：** 如果 则
对于 ，我们以内积运算的分量形式定义为：
下面证明该运算满足上述要求；考虑到 上标量乘法和加法的熟知性质，这相当直接：
**对称性：**
**第一个参数上的线性性：**
**正定性：**
考虑向量 的分量 。显然， 。由于向量不是零向量，至少有一个分量 非零，且对于该分量， 有 。因此：
现在我们已经证明了运算 满足所有内积要求，可以说 在该运算下是一个*内积空间*。
通过满足这些要求，可以轻松证明我们的内积运算具有以下附加有用性质：
- 当且仅当
第三个性质尤其有用，因为它意味着内积是*双线性*的，从而对加法具有分配性。
注意，这些性质是针对点积的分量定义展示的。利用投影的概念及其相加方式，也不难证明几何定义的分配性。
**范数**
内积空间中向量的*范数*定义为 。因此，范数的平方为 。
范数用于表达向量的*模长*或*长度*。如果考虑笛卡尔坐标系中的向量，范数的定义是勾股定理的推广。
---
[\[1\]](https://eli.thegreenplace.net/2026/dot-product-component-vs-geometric-definition#footnote-reference-1)此处指 ，其中每个向量是实数的 n 元组，通过通常的数学运算构成向量空间。
[\[2\]](https://eli.thegreenplace.net/2026/dot-product-component-vs-geometric-definition#footnote-reference-2)余弦定理是一个非常基础的几何定理；它（或其非三角版本）在《几何原本》中由基本欧几里得公理证明。
相似文章
和积问题、单位距离问题与数域
Thomas Bloom 撰写了一篇综述博文，介绍了近期关于 Erdős 单位距离猜想和实数域上和积猜想的反例，包括借助 OpenAI 辅助推翻单位距离猜想的工作，以及通过合作推翻和积猜想的工作，并概述了相关构造方法及其背后的直觉。
几何代数层何时优于标量化？关于SO(3)-等变向量定律的受控研究
这项受控研究将几何代数（Cl(3,0)）层与针对SO(3)-等变向量学习的最小标量化基线进行了比较，发现几何代数在单阶段任务中没有带来任何好处，但在低数据场景下对于深度组合的群操作显著优于标量化。
语义空间的几何结构：离散与连续模型的比较研究
本文比较了深度学习向量嵌入（CamemBERT）和词汇共现图模型在法语“大国民辩论”语料库上引发的几何结构，发现局部拓扑相似但全局组织截然不同，凸显了两种方法的互补性。
神经证明嵌入中选择公理的几何度量
本文展示了选择公理在证明空间中存在可测量的几何对应物，利用 Lean 4 的内核级追踪揭示了一个单参数混合律及其对神经定理证明器的操作意义。
Show HN: Geomatic – 一个由自动微分支持的命令驱动型几何工作室
Geomatic 是一个命令驱动的几何工作室，利用自动微分实现交互式几何操作。