应避免直接用.inverse()求逆和对非对称矩阵使用SelfAdjointEigenSolver；.inverse()仅适用于小规模、低条件数且明确可逆的矩阵，否则易数值不稳定、无失败提示且性能差；推荐用colPivHouseholderQr().solve()求逆；用SelfAdjointEigenSolver前须验证矩阵严格对称，即(A - A.transpose()).norm() ≈ 0。
别直接用 .inverse() 求逆，也别对非对称矩阵硬套 SelfAdjointEigenSolver —— 这两类操作最容易静默出错或数值崩掉。
矩阵求逆：什么时候能用 .inverse()，什么时候必须换方法
直接调 Mat.inverse() 看似简单，但只适合小规模（比如 3×3、4×4）、条件数低、且你明确知道它可逆的场景。实际中多数矩阵不满足这些前提：
- 数值不稳定：当矩阵接近奇异（
Mat.determinant()接近 0）时，.inverse()可能返回巨大误差，甚至 NaN - 没做失败检查：它不会抛异常，也不会返回
Success状态，出错了只能靠你事后验证（比如算Mat * Mat.inverse()是否接近单位阵） - 性能差：比 QR 或 LU 分解慢，尤其对 >10×10 的矩阵
更稳妥的做法是走分解求解路径：A.colPivHouseholderQr().solve(MatrixXd::Identity(A.rows(), A.cols()))，本质是解 A * X = I，鲁棒性强，自动处理秩亏情况。
SelfAdjointEigenSolver 报错或返回全零特征向量？先确认矩阵是否真对称
SelfAdjointEigenSolver 要求输入矩阵严格满足 A == A.transpose()（浮点误差内）。哪怕差一个 1e-15，它都可能静默失败（eigensolver.info() == Success 却返回零向量），而不是报断言错误。
- 检查方式：用
(A - A.transpose()).norm() 验证对称性 - 常见翻车点：从外部读入数据、经过多次浮点运算、或用了
.adjoint()（对复数才等价于转置） - 如果矩阵不对称但实数，改用
EigenSolver；如果是复矩阵，用ComplexEigenSolver
示例：构造对称矩阵再分解
b
