chore: 初始化 MCM/ICM Toolkit 仓库骨架

审查并精简 ChatGPT 的建库建议后落地的第一版骨架，只定接口不写实现。

- 建议审查：14 个包 → 7 个；约 250 个函数 → 约 40 个；5 个 Result 类 → 1 个
  （docs/01-suggestion-review.md）
- docs/：架构、路线图（含永久不做清单）、环境、Git 工作流、函数卡片模板
- src/mcm_toolkit/：core / data / stats / models / solve / decision / viz
  共 23 个模块，均为签名 + docstring + NotImplementedError
- tests/：9 个文件，其中 test_api_surface.py 已通过（20 passed）
- examples/ problems/ notebooks/ figures/ tables/ 骨架
- pyproject.toml（核心依赖 4 个 + 6 组 extras）、environment.yml
- scripts/：setup-venv.ps1（ASCII + LF）、setup-conda.ps1、doctor.ps1
- 环境：.venv（system-site-packages）与 conda 环境 mcm-toolkit 均已建好，
  数值栈版本与 base 完全对齐（numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6，MKL 后端）

src/mcm_toolkit/decision/weighting.py

@@ -0,0 +1,71 @@
+"""客观赋权：熵权法、CRITIC。
+
+★ `entropy_weights` 是 S 档，建议自己实现。
+熵权法是中文建模赛出现频率最高的赋权方法，实现只有 20 行，
+但"指标方向、无量纲化、对数 0 处理"三个坑必须理解清楚才能写对。
+"""
+
+from __future__ import annotations
+
+from typing import Any
+
+__all__ = ["critic_weights", "entropy_weights", "equal_weights"]
+
+
+def equal_weights(n: int) -> Any:
+    """等权，即 `1/n`。作为赋权结果的对照基线，论文里应该报。"""
+    # TODO(L1)
+    raise NotImplementedError
+
+
+def entropy_weights(
+    X: Any,
+    benefit_columns: Any = None,
+    eps: float = 1e-12,
+) -> Any:
+    """熵权法。
+
+    Parameters
+    ----------
+    X:
+        决策矩阵，行 = 方案，列 = 指标。**必须已无量纲化且已做正向化**。
+    benefit_columns:
+        效益型（越大越好）指标的列名/下标。其余按成本型处理。
+        `None` 时假设全部是效益型，并在 `message` 里提示——避免静默搞错方向。
+
+    Returns
+    -------
+    `Result`：`params={"weights": 权重向量}`，
+    `extras["entropy"]` 是各指标的熵值，
+    `extras["redundancy"]` 是差异系数 `1 - e`（权重就来自它的归一化）。
+
+    Notes
+    -----
+    三个必须处理的细节：
+    1. **方向**：成本型指标要先正向化（`max - x` 或 `1/x`），否则权重完全错。
+    2. **量纲**：熵权法要求 `x >= 0`，且对量纲敏感——先做 min-max 或向量归一。
+    3. **零值**：`p·ln(p)` 在 `p=0` 时按 0 处理（极限为 0），不能直接算，否则出 NaN。
+
+    熵权法的缺点是**只看数据离散程度，不看指标的实际重要性**。
+    实践上常和 AHP 做组合赋权：`w = α·w_entropy + (1-α)·w_ahp`。
+
+    Examples
+    --------
+    >>> import numpy as np
+    >>> r = entropy_weights(np.array([[1., 2.], [3., 1.], [2., 3.]]))
+    >>> bool(np.isclose(r.params["weights"].sum(), 1.0))
+    True
+    """
+    # TODO(L1)  ★ S 档：配完整函数卡片
+    raise NotImplementedError
+
+
+def critic_weights(X: Any, benefit_columns: Any = None) -> Any:
+    """CRITIC 赋权。
+
+    与熵权法的区别：熵权法只看"对比强度"（标准差），
+    CRITIC 还乘上"冲突性"（与其他指标的相关性）。
+    `C_j = σ_j · Σ_k (1 - r_jk)`，权重 = `C_j / ΣC`。
+    """
+    # TODO(L1)
+    raise NotImplementedError