嘿，这个问题问到点子上了！我来给你梳理下关于最优值函数 ( h(c) = \min_{g(x)=c} f(x) ) 可微性的标准分析思路，分可微的充分条件和不可微的典型情况来说明：

一、证明h(c)可微的常用充分条件 #

• 线性约束+严格凸目标函数：如果 ( f(x) ) 是严格凸函数，约束 ( g(x)=c ) 是线性形式（比如 ( g(x)=Ax )，A是矩阵），那对应每个c的最优解 ( x(c) ) 是唯一的。再结合KKT条件 ( \nabla f(x) = \lambda \nabla g(x) ) 以及约束 ( g(x)=c )，只要在最优解处 ( \nabla g(x) ) 满秩（也就是约束梯度线性无关），就能用隐函数定理推导出 ( x(c) ) 和拉格朗日乘子 ( \lambda(c) ) 都是关于c的可微函数，进而 ( h(c)=f(x(c)) ) 可微，它的导数就是 ( \lambda(c) )——这其实就是包络定理的核心内容。
• 局部唯一最优解+约束规范满足：哪怕f不是严格凸，只要在c的某个邻域里，每个c对应的最优解 ( x(c) ) 是局部唯一的，且约束梯度 ( \nabla g(x(c)) ) 满秩（满足约束规范条件），同时 ( x(c) ) 连续可微，那通过链式法则 ( h'(c) = \nabla f(x(c))^T x'(c) )，结合KKT条件就能直接推出h(c)可微。
• 凸优化+Slater条件：如果整个问题是凸优化问题（f凸，g是仿射函数，或是g凸且满足Slater条件），那h(c)本身是凸函数。凸函数在定义域内部几乎处处可微，如果再加上最优解唯一，就能保证h(c)在该点可微。

二、证明h(c)不可微的典型场景 #

• 最优解不唯一：这是最常见的导致h(c)不可微的原因。举个例子：设 ( f(x_1,x_2) = \max(|x_1|, |x_2|) )，约束 ( g(x_1,x_2)=x_1+x_2=c )。当c=0时，最优解是整条满足 ( x_1+x_2=0 ) 的直线段，此时h(c)在c=0处的左导数是-1，右导数是1，左右导数不相等，自然不可微。
• 约束规范不满足：比如约束 ( g(x)=(x_1^2 + x_2^2) - c =0 )，目标函数 ( f(x)=x_1 )。当c=0时，最优解是(0,0)，此时约束梯度 ( \nabla g(x)=(0,0) )，不满足梯度满秩的约束规范，此时h(c)=-√c，在c=0处导数不存在，也就不可微。
• 最优解发生跳跃：当c变化时，最优解从一个局部最优解跳到另一个局部最优解，h(c)会出现折点，斜率突变。比如f(x)是一个双谷函数，约束g(x)=x=c，当c穿过两个谷底的中间点时，最优解切换，h(c)的导数突然改变，导致不可微。

三、通用分析步骤 #

要判断h(c)是否可微，一般可以按这个思路走：

1. 先写出问题的KKT条件，分析最优解 ( x(c) ) 的唯一性和连续性；
2. 检查约束规范条件（比如梯度满秩、Slater条件等）是否满足；
3. 如果满足上述条件，尝试用隐函数定理或包络定理推导h(c)的可微性；
4. 如果存在最优解不唯一、约束规范不满足、最优解跳跃的情况，要么构造反例，要么计算左右导数看是否相等，以此证明不可微。

备注：内容来源于stack exchange，提问作者c zl