N.2里我们推导出了全微分公式 。但数学家不满足于长长的求和式——他们喜欢打包。如果把所有偏导数打成一个"包裹"，所有的dx也打成一个"包裹"，公式会变得异常简洁。这个"偏导数包裹"就叫梯度（gradient），写为 ∇m。
📦 打包：从分量到向量
n个变量时，全微分有n项：
写起来太长了！我们来做两次
重缩写：
再定义一个"点对点相乘再相加"的运算，叫
点积：
🔍 梯度是什么意思？
梯度 ∇m 不是一个数，而是一个箭头（向量）。它指向高度上升最快的方向！
几何直觉：想象你站在山坡上（曲面上的某点）。梯度箭头指向的方向就是最陡的上坡方向。它的长度告诉你这个坡有多陡。
为什么？ 因为点积 的大小取决于两个向量的夹角：当方向完全一致时（夹角=0），点积最大；垂直时点积=0（高度不变，即等高线方向）；反向时点积最负（最陡下坡）。
作者：
好了，多变量微积分我们讲了不少了……其实还可以继续讲很久，但我觉得已经讲够了。现在我来写个重聚，结束这一章。
数学：
等等！什么叫"多变量微积分"？我不在的时候你们又发明了我的新部分？
作者：
你去读这一章吧，我们马上就结束了。
🤔 Is That All?（就这些吗？）
是的！就这些！多变量微积分里没有任何真正的新思想。
• 导数还是原来的意思——只不过现在输入有多个槽，每个槽可以单独变（偏导数）
• 积分还是原来的意思——只不过可能要积好几次（多重积分），每个槽分别积
• 链式法则、加法锤子、乘法锤子——全部照旧，每个槽各自应用
教科书里会冒出更多吓人的名字：方向导数、散度、旋度、雅可比矩阵、海森矩阵……但它们全都是旧思想戴着新帽子。我们之所以能自信地说n维空间里的公式成立，不是因为我们能想象n维，而是因为——3维的逻辑直接适用，根本不需要新东西。
🎓 N.5 Reunion · N章重聚
-
1
我们从"桥梁"开始，发现有两类新机器：一进多出（吃1个数吐列表）和多进一出（吃多个数吐1个数）。
-
2
对"一进多出"机器，只要定义列表加法是逐槽相加、数乘列表是逐槽相乘，求导就是每个槽分别求导，完全用单变量微积分搞定。
-
3
对"多进一出"机器，我们有偏导数：固定其他变量，只对一个变量求导。这依然是单变量微积分。
-
4
二元机器 m(x,y) 可以画成3D空间里的曲面。无限放大后，曲面局部变成平面（切平面）。
-
5
用"先走x再走y"的几何直觉，推导出全微分：dm = (∂m/∂x)dx + (∂m/∂y)dy。
-
6
把偏导数打包成梯度 ∇m，把步长打包成向量 dx，全微分写成 dm = (∇m)·dx，对任意n维都成立。
-
7
最重要的一课：每一次我们遇到"新"概念，它都不是真正新的——只是旧概念加上一些微不足道的重缩写，让一切说得通。
① 核心洞察
梯度 ∇m 是一个向量，它把所有偏导数"打包"在一起。全微分写成 dm = (∇m)·dx，2维、3维、n维都长一样——因为新东西根本不新。
② 几何解释
梯度箭头指向最陡的上坡方向。等高线方向与梯度垂直（点积=0，高度不变）。这就是为什么山顶的梯度是零向量——四面八方都没有"更上"了。
③ 公式推导
从 dm = Σ(∂m/∂xᵢ)dxᵢ 出发，定义 ∇m = (∂m/∂x₁, ..., ∂m/∂xₙ)，dx = (dx₁, ..., dxₙ)，点积 v·w = Σvᵢwᵢ，立刻得到 dm = (∇m)·dx。这就是重缩写的力量。
④ 生活类比
想象你在爬山。你手里有个魔法罗盘（梯度），它永远指向最陡的上坡方向，指针长度告诉你坡有多陡。跟着它走，你就能最快登顶；反着走，最快下山；横着走（垂直方向），高度不变——在等高线上绕圈。
读者：
等等，如果向量可以打包成列表，机器可以看作无限长的向量……那是不是意味着，我们可以对"吃机器的机器"也做微积分？
作者：
（眼睛亮了）这个想法太美了。这正是我们下一章要做的事——食人微积分。骰子已经掷出，跟我来！