feat(core): 实现 get_rng 与 set_seed

L0 第 2 项落地。

- get_rng(int) 固定种子可复现；get_rng(Generator) 原样透传；
  get_rng() 跟随 set_seed 设过的全局种子，没设过则交给系统熵源
- set_seed(seed) 除记录 _GLOBAL_SEED 外，还调用 np.random.seed，
  让 sklearn / statsmodels 这些走 numpy 旧全局状态的库也能复现；
  这是全项目唯一碰旧接口的位置，标注了 noqa: NPY002 与理由
- 已知取舍写进 docstring：同一全局种子下多次 get_rng() 是同一条流
- tests/test_core.py：TestRandom 去掉 skip；把原来那条自证式的
  test_set_seed_makes_global_reproducible 换成两条真断言
  （不传 random_state 也要可复现、旧全局状态被覆盖）
- STATUS.md：L0 进度 2/12，新增决策 23（允许 set_seed 碰旧接口）
  与 24（不做 SeedSequence.spawn 拆分）；CHANGELOG.md 同步

CHANGELOG.md

@@ -21,11 +21,14 @@
 - `pyproject.toml`：核心依赖只 4 个，其余走 extras
 
 ### Changed
+- `core.get_rng` / `core.set_seed`：实现（L0 第 2 项）。`get_rng` 支持 int 种子 /
+  传 Generator 透传 / 无参跟随全局种子；`set_seed` 同时覆盖 numpy 旧全局状态，
+  让 sklearn / statsmodels 也可复现。
 - `core.Result`：补上 `__repr__` 与 `summary()` 实现（L0 第 1 项落地）。
   `repr` 紧凑单行且不打印 `data` 内容；`summary()` 输出可直接贴进论文的 Markdown 表格。
 
 ### Notes
-- 除 `core.Result` 外，其余函数体**尚未实现**（统一 `raise NotImplementedError` + `TODO(L0/L1/v0.2)` 标记）。
+- 除 `core.Result`、`core.get_rng`、`core.set_seed` 外，其余函数体**尚未实现**（统一 `raise NotImplementedError` + `TODO(L0/L1/v0.2)` 标记）。
   这是刻意的：先定接口，再按 `docs/03-roadmap.md` 的 L0 → L1 顺序填实现。
 - 已知缺口：`SALib`（Sobol/Morris）、`pymoo`、`pyright` 未安装（本机离线）。
 

STATUS.md

@@ -58,7 +58,7 @@
 - [x] 推送通道：公网 22 被防火墙过滤 → 改用 Tailscale（`100.115.86.48:22`），
       `~/.ssh/config` 加了一条域名别名，remote 里仍写域名
 
-**E. L0 实现进度（1/12）**
+**E. L0 实现进度（2/12）**
 - [x] `core/result.py` 的 `Result`
       - `__repr__`：单行紧凑；`data` 只给类型与规模，**绝不**整数组打印
         （十万级数组的 repr 实测仍 < 200 字符）；`success` 恒在
@@ -67,7 +67,15 @@
         float 走 `.6g`，`|` 转义，`message` 以引用行附在表后；幂等无副作用
       - 测试：`tests/test_core.py` 去掉 skip + 新增 3 条
         （默认值/失败路径/大数组、Markdown 结构、可重复调用）
-- [ ] 剩余 11 项（13 个函数）：`get_rng` `set_seed` `load_table` `clean_missing`
+- [x] `core/random.py` 的 `get_rng` / `set_seed`
+      - `get_rng(42)` 固定种子可复现；`get_rng(gen)` 原样返回；`get_rng()` 跟随全局种子
+      - `set_seed(seed)` 除了记住种子，还一并调 `np.random.seed`，
+        让 sklearn / statsmodels 那些走旧全局的库也能复现（全项目**唯一**碰旧接口的地方，
+        带 `# noqa: NPY002` 与理由）
+      - 已知取舍：同一个全局种子下每次 `get_rng()` 拿到**同一条流**（见决策 24）
+      - 测试：`TestRandom` 去掉 skip，并把原来那条"自己测自己"的空转测试换成
+        两条真断言（无参可复现、旧全局被覆盖）
+- [ ] 剩余 10 项（11 个函数）：`load_table` `clean_missing`
       `detect_outliers` `normalize` `standardize` `describe` `correlation_matrix`
       `bootstrap_ci` `monte_carlo` `save_figure`
 
@@ -75,15 +83,15 @@
 
 | 检查 | venv | conda `mcm-toolkit` |
 |---|---|---|
-| `pytest` | 24 passed, 48 skipped | 24 passed, 48 skipped |
+| `pytest` | 28 passed, 45 skipped | 28 passed, 45 skipped |
 | `import mcm_toolkit` | 0.0.1 / 16 项 | 0.0.1 / 16 项 |
 | `ruff check` | All checks passed | All checks passed |
 | `scripts/doctor.ps1` | 跑通 | — |
 | SALib / pymoo / pyright | 缺失 | 已装 |
 
 - base 亦已复核：numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6（与两套环境一致）
-- skip 的都是等实现的算法行为测试；通过的 24 条 = 20 条公开 API 契约测试
-  （`tests/test_api_surface.py`）+ 4 条 `Result` 行为测试（`tests/test_core.py`）
+- skip 的都是等实现的算法行为测试；通过的 28 条 = 20 条公开 API 契约测试
+  （`tests/test_api_surface.py`）+ 8 条 `core` 行为测试（`tests/test_core.py`）
 - 三个 `.ps1` 通过 PowerShell AST 语法解析
 
 ### ⚠️ 需要注意 / 遗留
@@ -93,7 +101,7 @@
       只差 Python 补丁号（3.13.9 vs 3.13.15）。详见 `docs/04-environment.md` §5。
 - [x] ~~Gitea 远程尚未配置~~ → **已配置并推送完成**，见上面 D 节与决策 19/20。
       note：仓库当前是 **Public**（匿名 `git ls-remote` 可读），要改私有去 Gitea 仓库设置。
-- [ ] L0 完成 1/12（`Result`），其余按 `docs/03-roadmap.md` 的 L0 → L1 顺序推进；
+- [ ] L0 完成 2/12（`Result`、`get_rng`/`set_seed`），其余按 `docs/03-roadmap.md` 的 L0 → L1 顺序推进；
       详情见上面 E 节
 - [ ] 本机 `exec_command` 在沙箱模式下**完全不可用**
       （`helper_unknown_error: setup refresh had errors`），只有提权
@@ -131,11 +139,13 @@
 | 20 | 首次推送用 `--force-with-lease` **覆盖** Gitea 的 `Initial commit` | 远端那个提交是建仓时自动初始化产生的，与本地无共同祖先，普通 push 必被拒。推送前已把其中的 LICENSE 与手写简介并入本地 `README.md`，原提交仍留在本机对象库（`1c683cf`） |
 | 21 | `Result.__repr__` **不打印 `data` 内容**，只给类型与规模 | 模拟轨迹动辄十万个数，repr 一旦刷屏，traceback / 调试器 / notebook 输出就全废了。要看数据请直接取 `result.data` |
 | 22 | `Result.summary()` 的行序 = 字典插入顺序，不排序 | 比赛时"想先看哪个指标"自己决定键的插入顺序即可，工具不该替人排序 |
+| 23 | `set_seed` 内部**允许**调用 `np.random.seed`（带 noqa） | sklearn / statsmodels 默认走 numpy 旧全局状态，只记自己的 `_GLOBAL_SEED` 覆盖不到它们，"提交能重跑"就是假的。旧接口在这一个点上不是"取随机数"而是"设种子"，性质不同 |
+| 24 | `get_rng(None)` 不做 `SeedSequence.spawn` 拆分，同一种子下多条流相同 | 多引入一个模块级计数器，会让"同一次调用顺序不同 → 结果不同"，对刚上手的人更难解释。取舍写进 docstring，真要独立流就显式传不同 `random_state` |
 
 ## 下一步
 
 1. ~~接入 Gitea~~ **已完成**。以后推送前先确认 Tailscale 在线，然后 `git push`
    （细节与换机步骤见 `docs/05-git-workflow.md` §3）。
-2. 继续 L0，**下一个：`core/random.py` 的 `get_rng` / `set_seed`**（先写测试再写代码）。
+2. 继续 L0，**下一个：`data/io.py` 的 `load_table`**（`save_table` 属 L1，顺手也可做）。
 3. 每写完一个函数，在 `examples/` 里加一行最小用法，并更新本文件。
 4. L0 跑通后，找一道真题（建议 2025 C）走完整流程，反向沉淀函数。

src/mcm_toolkit/core/random.py

@@ -4,6 +4,7 @@
 
 * 所有含随机的公开函数签名都带 `random_state=None`，内部第一行取 rng。
 * 禁止使用 `np.random.*` 旧式全局接口，也禁止裸用标准库 `random`。
+  （唯一例外是 :func:`set_seed` 内部的 `np.random.seed`，见该函数说明。）
 * 论文附录必须写明 seed —— 提交要能复现。
 """
 
@@ -13,33 +14,51 @@ import numpy as np
 
 __all__ = ["get_rng", "set_seed"]
 
+# set_seed 记下来的全局种子；None 表示用户没设过。
+_GLOBAL_SEED: int | None = None
 
-def get_rng(random_state: int | None = None) -> np.random.Generator:
+
+def get_rng(random_state: int | np.random.Generator | None = None) -> np.random.Generator:
     """取一个随机数生成器。
 
     Parameters
     ----------
     random_state:
         `int` 时返回固定种子的独立生成器（可复现）；
-        `None` 时返回基于全局种子的生成器；
+        `None` 时跟随 :func:`set_seed` 设过的全局种子，没设过就交给系统熵源；
         已经是 :class:`np.random.Generator` 时原样返回（便于函数间串联）。
 
+    Notes
+    -----
+    同一个全局种子下，每次 `get_rng()` 拿到的都是**同一条**流。这保证了
+    "脚本重跑一遍结果一样"，但也意味着两个都省略 `random_state` 的函数会共用
+    同一串随机数。想避开，就显式传不同的 `random_state`。
+
     Examples
     --------
     >>> rng = get_rng(42)
     >>> bool(rng.random() == get_rng(42).random())
     True
     """
-    # TODO(L0)
-    raise NotImplementedError
+    if isinstance(random_state, np.random.Generator):
+        return random_state
+    if random_state is None:
+        random_state = _GLOBAL_SEED  # 没设过就是 None，交给系统熵源
+    return np.random.default_rng(random_state)
 
 
 def set_seed(seed: int) -> None:
     """设置全局随机种子。
 
+    除了记住种子，还会一并喂给 numpy 的旧全局状态：sklearn / statsmodels
+    内部仍在用它（`check_random_state(None)` 那条路），只设自己的
+    `_GLOBAL_SEED` 的话这些库照样不可复现。
+
     Examples
     --------
     >>> set_seed(42)
     """
-    # TODO(L0)
-    raise NotImplementedError
+    global _GLOBAL_SEED
+    _GLOBAL_SEED = int(seed)
+    # 这里是全项目唯一允许碰旧接口的地方：它是"设种子"，不是"取随机数"。
+    np.random.seed(_GLOBAL_SEED)  # noqa: NPY002 - 故意的，见本函数 docstring

tests/test_core.py

@@ -1,6 +1,6 @@
 """core 包测试。
 
-TODO(L0)：TestRandom / TestValidate 实现后去掉 skip 标记（Result 已完成）。
+TODO(L0)：TestValidate 实现后去掉 skip 标记（Result 与 Random 已完成）。
 """
 
 from __future__ import annotations
@@ -9,7 +9,6 @@ import numpy as np
 import pytest
 
 
-@pytest.mark.skip(reason="未实现：见 docs/03-roadmap.md L0")
 class TestRandom:
     def test_get_rng_is_reproducible(self):
         from mcm_toolkit.core import get_rng
@@ -22,14 +21,25 @@ class TestRandom:
         g = np.random.default_rng(0)
         assert get_rng(g) is g
 
-    def test_set_seed_makes_global_reproducible(self):
+    def test_get_rng_default_follows_global_seed(self):
+        """set_seed 之后，不传 random_state 也必须复现——这是"论文能重跑"的底线。"""
+        from mcm_toolkit.core import get_rng, set_seed
+
+        set_seed(7)
+        first = get_rng().random()
+        set_seed(7)
+        second = get_rng().random()
+        assert first == second
+
+    def test_set_seed_also_covers_third_party_global_state(self):
+        """sklearn / statsmodels 走的是 np.random 旧全局，set_seed 要连它一起覆盖。"""
         from mcm_toolkit.core import set_seed
 
         set_seed(7)
-        a = np.random.default_rng(7).random()
+        first = np.random.random()  # noqa: NPY002 - 这里就是要验证旧全局被设上了
         set_seed(7)
-        b = np.random.default_rng(7).random()
-        assert a == b
+        second = np.random.random()  # noqa: NPY002
+        assert first == second
 
 
 @pytest.mark.skip(reason="未实现：见 docs/03-roadmap.md L0")