一句话定义：MCMC（Markov Chain Monte Carlo，马尔可夫链蒙特卡洛）是一类采样算法：当目标概率分布太复杂、没法直接生成样本时，构造一条马尔可夫链（Markov chain），让它在长期运行后收敛到目标分布，再从链上取样本。
为什么需要它：很多任务最后都要算期望，比如 x 服从某个分布 p(x)，要求 f(x) 的平均值。如果 p 是简单分布，像正态分布，直接采样即可；但贝叶斯推断里的后验分布 p(θ|数据) 往往是“似然 × 先验”再归一化，那个归一化常数很难算，高维下更没法直接采样。MCMC 的好处是绕开归一化常数，只需要知道未归一化的密度。
原理与比方：马尔可夫链是“下一步只看现在”的随机过程。设想你在一座陌生山城调查居民收入分布，但不能挨家挨户普查。你按规则随机游走：从当前位置提一个邻近地点，如果那里目标密度更高，就经常搬过去；如果更低，也按一定概率搬过去，而不是完全拒绝。走足够久后，你在各区域停留的时间比例会接近目标分布。这里的“走”就是链的转移，“足够久后”指收敛到平稳分布（stationary distribution）。常见实现有 Metropolis-Hastings、Gibbs sampling（吉布斯采样）。实际使用要丢掉预热期（burn-in）样本，并关注混合速度、自相关和有效样本量（Effective Sample Size, ESS）。
与相邻概念的区别：
| 概念 | 做法 | 特点 |
|---|---|---|
| 蒙特卡洛 | 直接从分布采样后平均 | 简单直接，但要求能采样 |
| MCMC | 构造马尔可夫链间接采样 | 适合复杂高维分布，但慢、样本相关 |
| 变分推断 | 用简单分布逼近目标 | 快、可扩展，但近似可能有偏 |
| 拒绝/重要性采样 | 从提议分布采样再修正权重 | 低维好用，高维常失效 |
对从业者的意义：MCMC 是贝叶斯统计、概率编程、物理模拟和隐变量模型中的基础工具。它提醒我们：复杂分布不一定要“直接抽”，可以“慢慢走”。工程上别只看一条链的结果，最好跑多条链、看轨迹图、算收敛诊断；如果模型很大、数据很多，也要权衡 MCMC 的精度与变分方法的速度。具体诊断工具和阈值以所用库的官方页面为准。