高数里那些看似天书一样的不等式，实际上就藏在那段被压扁的函数曲线里。别急着看教科书上那一堆像排雷一样罗列的定理，咱们得把这玩意儿当成某种直觉，在脑子里把数列慢慢挤成一团。 比如几何平均不等式（AM-GM），想象一下把一组正数打散，扔进一个水桶里搅动，搅匀赶明儿水的浓度比原来的平均值高，这是出于中间值被其他数“拉低了”平均值，最终剩下的中间值又把它“拽”了上来。等号成立的时候，这组数得一模一样，比如三个数是 1, 1, 1，要么两个数相等。

要是三个数分别是 1, 2, 8，那乘积就是 16，算术平均数 3，几何平均数 2，差距直接拉开了。

这个玩意儿在优化难题里是王道，时常用来证明某个函数最大值在哪，要么最小值在哪，这时候你只需求做变量代换，让所有变量变成那个相同的值就行了，剩下的推导就顺理成章了。 再看看柯西 - 施瓦茨不等式（Cauchy-Schwarz），这东西在向量运算里玩得挺溜。你手里有一组向量 $vec{a}$ 和 $vec{b}$，还有一个标量，想算一下它们点积的某种变形。直觉告诉你，向量做“内积”之后的绝对值，肯定比你单独算出来的“模”的乘积要小。

为啥？出于三角不等式在说，向量相加的模不会超过模的代数和，这个逻辑在乘标量运算里也能完美复刻。等号成立的时候，这两个向量得“同向”，也就是成比例，比如 $(1, 1)$ 和 $(2, 2)$，这时候长度比直接乘起来的结局大。

这个在求极限的时候特别有用，时常用来把分母里的根号去掉，要么构造出一个能够放缩的式子。 还有均值不等式的各种变体，比如调和平均、算术、几何、平方平均（RM-AM-QM）。

这些名字听着挺吓人，实际上都是同一个逻辑的变奏。根本道理都那条线，就是让加权后的平均数尽量大，要么加权后的平均数尽量小，中间务必得保持一致。在凑齐不等式的时候，你时常得凑出好几个变量相等，比如让 $x_i$ 都变成 $k$，要么让它们的乘积变成 $1$ 之类的条件，这时候这些不等式就变成工具，帮你把复杂的式子简化成 $1$ 或 $1/k$ 这种好办计算的形式。 三角不等式和闵可夫斯基不等式别看名字不同，但玩的是同一套花样。闵可夫斯基不等式有点不一样，它跟向量坐标的加权相加相关，时常出目前求积分极限要么分部积分里，用来把复杂的表达式拆开，要么把变量变成好办的 $x$。而三角不等式则是直接比较位置，位置越近距离越短，这能够用来证明大量数列或函数放缩的结局。 在极限的难题里，这些不等式时常作为“杀手锏”出现。

比如洛必达法则失效的时候，要么涉及到 $infty - infty$ 型不定式，你往往得先构造一个辅助函数，用柯西不等式把分子分母拆开，再把它们变成若干个变量的乘积。

这时候，要是能让这些变量变成相等，要么变成某个特殊值（比如 1），不等式右边就能掉出一个贼简洁的式子，直接告诉你答案。

比如求 $lim_{n to infty} left( frac{1}{n} + frac{1}{n+1} + dots + frac{1}{2n} right)$，这个积分没法求，但你能够把它拆成 $n$ 项，然后用均值不等式放缩，最终得出 $1/2$ 这个经典结局。 还有那些略微有点“花哨”的推论，比如切比雪夫不等式，它跟矩相关，时常用来处理关于均值的误差，要么在概率论里做期望的放缩。再比如 Hölder 不等式，跟多个向量的内积相关，在多重积分要么多变量函数求极值的时候，时常帮你解决那些变量数忒多的难题，这时候用它在比一一对应有帮助，出于它能把多个向量变成一个整体，要么反过来，把一个大向量拆成多个小向量来凑。 在实际做题的过程中，你会发现大量时候不需求死记硬背公式，而是要看哪个不等式能让你把“乱糟糟”的式子整理得规整一点。

比如看到乘积，就想到 AM-GM；看到平方项，就想到 QM-AM；看到分母，就想到柯西。

有时候就连能够直接从微分里看出来，要么从几何直观里看出来，比如凸函数的性质。 总而言之，高数里的不等式不是用来背到的，是用来用的。它们就像是工具箱里的各种工具，有的削苹果，有的切蛋糕，有的打包运输。当你卡在某一步，特别是面对贼复杂的不等式放缩时，回过头想想这些原始工具，往往就能找到突破口。

记住，等号成立的时候，变量得“抱团”，要么全是同一个数，要么比例是黄金分割，要么向量方向一致。

只要抓住了这个核心，复杂的式子总能被拆解得挺干净利落。