关系装不进表格：一门 58k star 的课，把 GNN 拆成一次矩阵乘法

关系装不进表格：一门 58k star 的课，把 GNN 拆成一次矩阵乘法

先看两张表。一张用户表，每行一个人。一张好友关系表，每行一对编号。传统机器学习拿到的是第一张，把每个人当一个独立样本。可你想预测的东西藏在第二张里。谁和谁连着，比谁自己长什么样更重要。

表格这个容器，装得下一万个人的属性，装不下他们之间的关系。社交网络、分子结构、引文网络、路网、知识库，全是一个形状。这个形状叫图。数据有连接，连接本身是信息，就得用图来装。

有一门开源课把这个道理做成了 90 分钟。仓库叫 ai-engineering-from-scratch，作者 Rohit Ghumare。58,403 个 star，在 GitHub 的 AI 类里排进前一百。整个课程 523 课、20 个阶段、约 342 小时，从线性代数一路修到 agent 集群。图论排在第 1 阶段第 21 课，前面是傅里叶变换，后面是随机过程。数学地基的最后几块砖。

90 分钟的路线

不许调库，全部手写。

第一步，写一个 Graph 类。邻接表存邻居，一个函数把表转成邻接矩阵。A[i][j] 等于 1，i 和 j 之间有条边。就这一步，关系变成了矩阵。从这一刻起，连接可以被乘、被分解、被算。

然后 BFS 和 DFS。一个用队列，一个用栈。学的是最土的遍历。

真正的戏从第三个矩阵开始。度矩阵 D，对角线上放每个节点的连接数。拉普拉斯 L = D − A。一个减法，把「有多连」和「连了谁」放进同一张矩阵。

这个减法值钱在哪。L 的零特征值有几个，图就有几个连通块。不用跑遍全图，谱自己招供。最小的非零特征值叫 Fiedler 值，量的是整体连通强度，哪里有瓶颈它知道。把 Fiedler 向量按正负号一切，图分成两半。这就是谱聚类，一次特征分解，不用迭代优化。

最后一站，GNN。神经网络里的图卷积，拆开看是每个节点收集邻居的消息，取平均，过一个线性变换，过一个激活函数。写成矩阵，就是 H 新 = σ(A_norm · H · W)。A_norm 是行归一化的邻接矩阵。一次矩阵乘法。论文里那套 GCN 公式，戴帽子的 A 加了自环，让节点聚合时别忘掉自己，其余没变。

跑 K 轮，每个节点看到自己 K 跳以内的邻域。每一轮，每个节点只读矩阵里自己那一行。

为什么值得在意

这句「只读自己那一行」，是整个 GNN 的脾气。它不把整张图塞进上下文，谁需要谁去查自己那行。塞和查，是两种成本结构。这个道理想通了，再去看现在那堆系统会顺很多。检索增强里的知识图，agent 里的状态机图，语义层的本体图，长得都不一样，地板是同一块：邻接矩阵、度矩阵、拉普拉斯。翻图这个动作，快慢不在图多大，在你只翻不翻你要的那一格。

还有一层。谱聚类不用迭代，特征值不用遍历。图的结构本来就在矩阵里，不用找，只用算。很多「结构丢了」的事故，丢的不是结构本身，是把结构放进了一个装不住的容器。

这门课自己的方法论

比课内容更有意思的是学习协议。每课五步。用自己的话复述核心思想。亲手敲代码，不许把代码块当装饰。跑命令。留证据：命令、工作目录、退出码、输出、你改过的产物。最后一条，能解释输出、能不靠猜改一处，才准继续。

「留证据」这三个字放在一门数学课里，有点奇怪，又非常对。验收标准是「能解释、能改动」，不是「看完了」。看完不算学会，是这五步里最硬的一条门。而且仓库把两份实现分得很清：networkx 那份用于生产，手写那份用于理解，原话是 use your from-scratch implementation to understand what it does。内容本身免费的时代，一门课剩下值钱的就是这两样，亲手建，留下证据。

过一遍海关

90 分钟的内容逐条核过。L = D − A 对。零特征值计数对。Fiedler 值和向量对。GCN 公式对，Kipf & Welling 2017。空手道俱乐部图 34 节点 78 边对，1977 年 Zachary 的真数据。PageRank 阻尼 0.85 对，随机游走平稳分布正比于度，对无向图成立，也对。

两处松的。一处说 GNN 是深度学习里增长最快的领域，营销句，没有出处。一处说 Fiedler 向量给出最优切分，严格讲那是最小割问题的松弛近似，不是精确最优，好在 k 大于 2 时课程自己也提醒要改跑 k-means。90 分钟的课，就这两句需要眯眼看。

最后一个练习值得抄在这。拿空手道俱乐部图，算度分布、拉普拉斯特征值、谱聚类，和已知的地面对比。90 分钟前你连邻接表都没写过，现在你在复现一个社会学的经典结论。这门课的下一课是随机过程，再往后还有五百课。打地基这件事，六万人在排队。

原物：github.com/rohitg00/ai-engineering-from-scratch（MIT，58,403 star，523 课 / 20 阶段 / 约 342 小时）· 图论课：phases/01-math-foundations/21-graph-theory/docs/en.md（90 分钟，Build 型）
核查边界：课程内容逐条对过原文；作者背景与仓库数据取自 GitHub 页面与外围搜索（第三方 AI 仓库百强榜 9 月快照 54,987 star，现 58,403）；课程未实跑，代码为读码核验。