np.dot 本质是张量点积，按最后轴与倒数第二轴求和并外积其余维度，而 @ 专为矩阵乘设计，仅对最后两维做乘法并广播前缀维度。
np.dot 对高维数组做张量缩并，不是矩阵乘
根本原因在于：np.dot 的设计目标是“对最后一个轴和倒数第二个轴求和”，它本质是张量点积（tensor dot），不是专为矩阵乘法服务的。比如 A 形状为 (2, 3, 4)、B 为 (2, 4, 5)，np.dot(A, B) 会把 A 的最后一维（4）和 B 的倒数第二维（4）配对求和，但其余维度直接外积——结果变成 (2, 3, 2, 5)，多出一个意外的 2 维。
而 @ 只关心最后两维是否满足矩阵乘条件，并把前面维度当作 batch 广播对齐，所以 A @ B 稳定输出 (2, 3, 5)。
一维数组参与时，np.dot 自动降维，@ 要求显式升维
当输入含一维数组，np.dot 会切换语义：遇到 (n,) @ (n, p) 就当行向量 × 矩阵；遇到 (m, n) @ (n,) 就当矩阵 × 列向量；甚至 (n,) @ (n,) 直接返回标量内积。
@ 没有这种“智能降维”——它只接受至少二维输入。所以：
立即学习“Python免费学习笔记（深入）”；
-
v = np.array([1, 2])和M = np.array([[3, 4], [5, 6]]) -
np.dot(v, M)返回(2,)（行向量 × 矩阵） -
v @ M报错：ValueError: matmul: Input operand 0 does not have enough dimensions - 必须写成
v.reshape(1, -1) @ M或v[:, None].T @ M
@ 和 np.matmul 行为完全一致，np.dot 是唯一变量
@ 运算符底层调用的就是 np.matmul()，二者在所有场景下输出、报错、广播规则都 100% 相同。真正造成差异的只有 np.dot()。
常见误判点：
- 以为
np.dot(A, B)和A @ B在三维时等价 —— 实际上只在二维时才等价 - 用
np.dot处理批量矩阵（如 Transformer 的(b, h, s, d)）时得到怪异 shape —— 应该换用@或np.matmul - 依赖
np.dot的“自动向量适配”写法，迁移到 PyTorch/TensorFlow 时失效（它们没有np.dot那套逻辑）
调试时别猜，先看 shape 和 error message
遇到结果不符，第一反应不是改代码，而是打印维度：
- 执行
print(A.shape, B.shape) - 对照规则检查：
A.shape[-1] == B.shape[-2]是否成立（这是@的硬要求） - 如果
np.dot成功但@报错，大概率是其中一个是 1D 或维度隐式不匹配 - 错误信息里出现
core dimension字样，基本可锁定是最后两维没对齐
最稳妥的做法：只要你想做的是「矩阵乘」，就统一用 @；需要内积或混合向量/矩阵运算时，再考虑 np.dot，并主动控制维度。
