概念背景与动机
本征向量的局限：无法对角化的情形
在理想情形下，线性算子（或矩阵）存在一组完备本征向量，使得算子可被对角化。此时，动力学与迭代过程的行为可以直接由本征值给出。然而，当矩阵不能对角化时，同一本征值对应的“方向”不足以提供足够多的线性无关本征向量，导致无法用纯对角结构完全描述局部几何。
更具体地说，非对角化意味着在某些方向上，算子对向量的作用不止是“缩放”，还会伴随“剪切式”的耦合效应。这种耦合在多次应用算子后会以不同于单纯指数增长/衰减的方式累积，从而需要更细的结构刻画。
从对角化到若当分解的必要性
当无法找到完备本征向量时，若当分解提供了另一种等价的“最接近对角化”的结构表示。若当标准形以若当块为基本构件：每个若当块对应一个本征值，并包含非零的超对角结构，用来表达“本征向量不足”的原因。
在若当分解的框架里，广义本征向量成为在每个若当块上构造基的关键工具。它们不必满足一阶的本征方程，而是满足更高阶的广义本征方程，从而能与若当块的幂次结构一一对应。
“链式”思想在广义特征空间中的出现
广义本征向量的直观动机可以用“链”来理解：对于给定本征值 \(\lambda\)，存在一组向量从“链首”开始逐级满足递推条件。链首向量往往满足最基本的本征方程；链上的后继向量不一定本征，但在作用 \(A-\lambda I\) 后会“退化”到更靠前的层级，直到被幂次消去。
这种链式组织方式把无法对角化的复杂耦合转化为可控的递推机制，使得局部结构能够被分层描述，并进一步用于求解微分方程与研究矩阵指数。
基本定义：广义本征向量
广义本征方程与阶数 \(k\)
设矩阵（线性算子）为 \(A\)，给定本征值 \(\lambda\)。向量 \(v\) 若满足 \[ (A-\lambda I)^k v=0 \] 对某个正整数 \(k\) 成立，则称 \(v\) 为与 \(\lambda\) 对应的广义本征向量。这里的整数 \(k\) 反映了该向量在递推意义下需要被应用 \(k\) 次 \(A-\lambda I\) 才会“完全湮灭”。
通常可在不引起歧义的情况下用最小这样的 \(k\) 来刻画 \(v\) 的“阶数”（或其所属链的长度相关量）。当 \(k=1\) 时，定义退回到普通本征向量情形。
与广义特征空间的关系
对固定本征值 \(\lambda\，所有满足存在正整数 \(k\) 使 \((A-\lambda I)^k v=0\) 的向量组成一个线性子空间，称为与 \(\lambda\) 对应的广义特征空间。该空间用于容纳与 \(\lambda\) 相关的所有本征相关结构，包括无法对角化时所需的“补足方向”。
广义特征空间的层级可通过核空间的上升链刻画：当 \(k\) 增大时，\(\ker (A-\lambda I)^k\) 通常包含于 \(\ker (A-\lambda I)^{k+1}\)。当 \(k\) 达到某个上界后，链会稳定，此时得到整个广义特征空间。
本征向量作为特例（\(k=1\)）
若 \(v\) 满足 \((A-\lambda I)v=0\)，则等价于 \(Av=\lambda v\)，即 \(v\) 是普通本征向量。由此可见，广义本征向量是本征向量概念的自然扩展：它允许在“不能一阶满足本征方程”的情形下，通过更高阶的消去条件仍保留与 \(\lambda\) 的谱关联。
约当链（Jordan chain）
约当链的形式化表述
在给定本征值 \(\lambda\) 下，一组向量 \((v_1,v_2,\dots,v_m)\) 称为约当链（Jordan chain），若满足逐级的广义本征条件： \[ (A-\lambda I)v_1=0,\quad (A-\lambda I)v_2=v_1,\quad \dots,\quad (A-\lambda I)v_m=v_{m-1}. \] 其中 \(m\) 为链长度。该关系表明：链首向量是“最本征”的部分，而后继向量在经过一次 \(A-\lambda I\) 后会落到前一层。
这种定义确保链上向量的广义阶数随着位置增加而呈现特定结构：链尾向量在较高幂次作用下才被湮灭，并与若当块的大小有关。
链首、链尾与逐级条件
链首 \(v_1\) 满足 \((A-\lambda I)v_1=0\)，因此是与 \(\lambda\) 对应的普通本征向量。链尾 \(v_m\) 通常满足 \((A-\lambda I)^m v_m=0\)，且在一般情形下该 \(m\) 是其对应链的最小长度。
逐级条件 \((A-\lambda I)v_{j}=v_{j-1}\) 对应一种“降阶”机制：把链上的向量向前推进一次操作，就相当于减少一层广义性。这正是为什么用“链”能直观解释非对角化时算子作用的耦合：它在一次应用中把向量从“高层级”映射到“低层级”。
约当链长度与约当块大小的对应
在若当标准形中，每个若当块对应某个本征值 \(\lambda\)，其尺寸等于若当链长度的某种集合意义。更具体地，对于一个大小为 \(m\) 的若当块，通常可以构造长度为 \(m\) 的约当链，使得该链生成该若当块所需的基。
因此，约当链长度并非任意：它反映了算子在该本征值附近的“不可对角化程度”。块越大，说明需要更高阶的广义本征条件才能捕捉结构，也意味着幂次项在矩阵指数或微分方程解中更明显。
结构刻画：若当标准形与基的构造
若当块分解与局部模型
若当标准形可视为按本征值将空间分解为若干互不耦合的子模型。每个本征值 \(\lambda\) 对应的子模型由若当块组成：块上对角为 \(\lambda\)，而超对角线上包含表示“链式耦合”的结构常数（经适当基选择可取为标准形式）。
局部模型的意义在于：在每个若当块对应的子空间中，算子行为完全由那块大小与链结构决定。不同本征值对应的块之间不会在 \(A\) 的表示中相互混合，从而便于分别研究。
由约当链生成若当基
若当基是由各本征值下的约当链向量拼接得到的一组基。具体做法是在每个若当块内选择一条长度等于块大小的约当链，再将所有块的链向量合并成整体基。
在该基下，矩阵 \(A\) 具有若当标准形表示。广义本征向量之所以重要，是因为它们不仅提供理论存在性，还提供可操作的基构造手段：先找出链首与后继的递推关系，再组装得到若当基。
广义本征向量之间的线性关系与独立性
由于同一本征值下可能存在多条约当链，不同链之间的向量通常需要满足线性无关性要求，才能拼成若当基。链首向量与链的组织方式共同决定了链的数量与彼此的独立程度。
在实际构造中，广义本征向量的线性关系受到核空间链条与商空间结构的约束。简言之：不是任意挑选满足 \((A-\lambda I)^k v=0\) 的向量就能形成基；其组合必须与约当块的“数量—尺寸”信息相匹配。
实用计算：从矩阵到约当链
求解 \( (A-\lambda I)^k v=0 \) 的策略
从计算角度，目标往往是对每个候选本征值 \(\lambda\) 确定一系列核空间：\(\ker(A-\lambda I)\)、\(\ker(A-\lambda I)^2\)、……直到稳定。向量的广义性由它在这些核空间中出现的最小层级来决定。
实际操作通常分步进行：先求特征值，再对每个特征值构造相应矩阵 \(A-\lambda I\) 的幂次并求核。由于幂次逐渐增加，核维数的变化可以用来判断需要多大的链长度。
由核空间递推确定链长度
若已知 \[ \ker(A-\lambda I)^k \subseteq \ker(A-\lambda I)^{k+1}, \] 则核维数随 \(k\) 的增长反映了新“广义方向”的出现。链长度与核维数跃迁之间存在对应关系：某些增长发生在特定 \(k\) 上，意味着存在至少长度为 \(k+1\) 的链尾向量。
因此，计算链长度的核心是识别稳定前核维数增加的结构，并将这些信息分配到对应的链条上。
构造广义本征向量组的算法思路
一种常见思路是先选取链首：从 \(\ker(A-\lambda I)\) 中选择足够多的线性无关向量作为候选本征向量。随后，对于每个链首，寻找能映射到它的向量作为后继：即解线性方程 \[ (A-\lambda I) w = v_{\text{前}}, \] 并在可能的多解中选取与已有向量保持独立性的方案。重复这一“上卷/回找前像”的过程，就能构造更长的链。
当需要控制链长度与独立性时，通常会配合对商空间的选择原则或使用标准算法（如基于链分解的构造方法）来避免重复方向导致基不完整。
理论性质与等价刻画
广义特征空间的层级结构
广义特征空间由核空间链稳定极限给出：当 \(k\) 足够大时， \[ \ker(A-\lambda I)^k \] 会停止增大，并等于全部与 \(\lambda\) 对应的广义特征空间。这个层级结构体现了“从本征到更广义”的递进：越靠后的核空间包含越高阶的广义向量。
这种分层也使得若当块的大小在谱意义上得到刻画：链越长，对应的层级跃迁越靠后，反映出更深层的耦合存在。
与最小多项式的关联
最小多项式 \(m_A(x)\) 是满足 \(m_A(A)=0\) 的次数最小的首一多项式。对每个本征值 \(\lambda\)，如果在该本征值对应的最大若当块大小为 \(s\)，则 \((x-\lambda)^s\) 会以相应次数整除最小多项式。
因此，最小多项式在某种意义上记录了“需要的最高广义阶数”。这使得最小多项式不仅描述可消去性，还指出非对角化结构的最深层。
与幂零部分（在零本征偏移下）的关系
将 \(A\) 按本征值偏移后考虑幂零部分，是理解广义本征向量的重要方式。对给定 \(\lambda\)，考察 \(N=A-\lambda I\)。在该偏移下，广义本征条件 \((A-\lambda I)^k v=0\) 变为 \(N^k v=0\)，即 \(v\) 落在幂零算子的核链结构中。
因此，广义本征向量可被看作幂零结构的“向量化表达”：在相应偏移下，若当块中的非对角化信息转化为幂零算子对链向量的阶次湮灭规律。
线性动力学应用
线性微分方程的解：多项式-指数形式
考虑线性常系数微分方程 \[ \dot{x}=Ax. \] 当 \(A\) 可对角化时，解通常表现为指数项的线性组合。若存在非对角化，矩阵指数 \(e^{At}\) 仍可由若当分解表达，但每个若当块会贡献额外的多项式因子。
广义本征向量通过约当链把这些多项式因子揭示出来：链长度越大，出现的多项式次数上限越高，从而决定了解中“指数×多项式”的组合结构。
矩阵指数与若当块的贡献
矩阵指数在若当标准形下可计算为块对块的结果。对大小为 \(m\) 的若当块，其指数项可分解为 \(\mathrm{e}^{\lambda t}\) 乘以一个随 \(t\) 取多项式形式的矩阵表达（该多项式由幂零偏移的有限阶贡献决定）。
因此，广义本征向量的作用不是替代本征值，而是补足了非对角化导致的“多项式修正”。在给定基下，链上的向量对应着这些修正项的系数来源。
稳定性与增长率：为何出现多项式因子
稳定性通常与本征值实部相关：若所有本征值实部为负，则指数项衰减。然而，当存在非对角化时，多项式因子可能在短时间内放大解的范数，尽管长期仍由指数衰减主导。
因此，广义本征向量相关结构不仅影响精确解的表达形式，也会影响对增长/衰减的定量估计：同一组本征值下，不同若当块结构会产生不同的多项式因子，从而改变过渡行为。
反例与边界情况
重数、几何重数与链长度不一致的直观解释
代数重数描述本征值作为特征多项式因子的出现次数；几何重数描述 \(\ker(A-\lambda I)\) 的维数。若二者相等，通常可对该本征值对应部分实现足够多的本征向量；若不相等，便意味着需要更长的约当链才能补足基。
这种“不一致”在广义本征向量里表现为：链首向量的数量（由本征向量维数决定）不足，因此必须由链上的后继向量来提供额外自由度，链长度随之增加。
对不同本征值的链独立性
不同本征值 \(\lambda\neq\mu\) 对应的广义特征空间在代数意义上是互相直和的，并且彼此不会通过 \(A\) 的作用互相混合。因此，属于不同本征值的约当链可以独立构造与拼接：整体基可由各自本征值区域的约当链并集得到。
这种独立性为谱分解提供了结构支撑，也保证了计算时可按本征值分块进行。
极端情形：完全幂零与单一若当块
若 \(A\) 本身是幂零矩阵（所有本征值为零），则广义本征向量与幂零结构完全一致。此时若当标准形由若干纯幂零若当块构成，链条件直接决定了 \(A^k\) 在不同层级上的湮灭速度。
另一极端是只有一个本征值且仅存在单一若当块的情形，此时广义本征向量会形成一条覆盖整个空间的长链，矩阵的非对角化程度达到最大。此时矩阵指数中的多项式因子将达到相对更高的次数上限。
命名与相关术语（词条互引）
“广义本征向量”与“扩展本征向量”的用法差异
在不同教材与文献中，“广义本征向量”通常与 \((A-\lambda I)^k v=0\) 的定义绑定，强调“对本征方程的广义化”。“扩展本征向量”有时被用作更口语化或更强调构造性的说法，但本质上多数场景仍指向广义本征向量或与约当链对应的向量集合。
由于术语在跨学科引用中可能存在偏好，使用时通常以其满足的方程形式与所在语境（若当链、广义特征空间、谱分解）来确定具体指向。
约当链、约当基、广义特征向量的对照
约当链是向量序列及其递推关系的描述对象；约当基是由若干链向量组成的一组基，从而实现若当标准形表示；广义特征向量则是对单个向量的性质描述，指出它满足某个广义本征方程。
三者之间的关系可以概括为：约当链提供组织方式，约当基提供全局坐标框架，而广义特征向量是约当基元素的“共同性质集合”。
与同伦/同构类比中的常见类比陷阱（轻度科普）
有些类比会把“链式结构”与“同伦分层”或“同构保持”的思想联系起来，从而把直觉用错方向。例如，把“链的递推”误当成某种不变量的直接对应，可能忽略了广义本征向量主要刻画的是线性算子的代数结构（尤其是若当块信息），而非拓扑意义上的连续变形保持。
正确理解应当以方程 \((A-\lambda I)^k v=0\) 及其核链结构为依据；类比可以用来帮助联想，但不能替代代数定义与等价刻画。
文化注释与轻量梗（不涉敏感议题）
“约当链”作为“链条式升级”的直觉比喻
把约当链想成“链条式升级”很直观：链首像基础角色，满足最简单的本征条件；链上的后继则需要更高阶的“经验值”（更高幂次的消去）才能被完全“打掉”。虽然这是形象化比喻，但它确实对应“逐次作用、逐级退化”的代数递推。
为什么这类向量看起来像“本征的进阶版”
广义本征向量满足的不是一阶本征方程，而是更高阶的“终止条件”。因此它像是一种“升级版本征”：依然围绕同一个 \(\lambda\) 展开，只是承认真实结构里本征方向不够时，仍能通过递推机制获得完整刻画。
常见误解：把广义本征向量当成普通本征向量
一个常见误区是认为只要向量与某个 \(\lambda\) 相关，就应当满足 \(Av=\lambda v\)。但广义本征向量通常只保证 \((A-\lambda I)^k v=0\)，未必能在一次作用下落回同一方向。也就是说，它们并不一定是普通意义下的“本征方向”，而是用于补足结构的“链上节点”。