feat(solve): random_walk 的 step_sampler 契约改成"整数 size + 一维返回"（方案 B）

用户拍板方案 B（决策 55），Codex 代改。

- size 由 (n_paths, n_steps) 改成整数 n_paths * n_steps，必须返回一维；
  内部 reshape(n_paths, n_steps)（行主序）；二维返回一律判失败
- 动因：方阵时转置 (n_steps, n_paths) 与目标形状相同，形状校验天生分不出来（易错点 25）
- 关键：不用 .ravel() 救场（会把转置摊平，歧义原样回来）
- 红利：与 monte_carlo 的 sampler 契约（决策 48 的 size=n）统一，采样器可直接复用（实测）
- docstring：step_sampler 契约与 Notes 同步（一维 / 行主序 / 二维必失败）
- tests：转置那条改成 rejects_2d_step_sampler（含方阵），新增"整数 size + 行主序"契约测试；solve 段 43 条
- 验证：210 收集 / 179 passed / 31 skipped / 0 xfail，ruff 0，pyright 0
- docs：STATUS 决策 55 + random_walk 待办全部办结；CHANGELOG

src/mcm_toolkit/solve/simulate.py

@@ -350,8 +350,9 @@ def random_walk(
     n_paths:
         路径条数，正整数，默认 1 条。
     step_sampler:
-        `f(rng, size) -> 一批增量`。批量大小由本函数以 `size=(n_paths, n_steps)` 传入，
-        必须返回形状 `(n_paths, n_steps)` 的数组（契约同 `monte_carlo` 的 `sampler`，只是这里是二维）。
+        `f(rng, size) -> 一批增量`。**`size` 是整数** `n_paths * n_steps`（与 `monte_carlo` 的 `sampler` 同一契约），
+        必须返回**一维**长度 `n_paths * n_steps` 的数组；本函数负责 `reshape(n_paths, n_steps)`（行主序）。
+        返回二维一律判失败 —— 否则"转置的采样器"在 `n_paths == n_steps` 时会静默给出转置结果。
         默认 ±1 等概率（对称随机游走）。
     start:
         起点，写进每条路径的第 0 列。
@@ -376,8 +377,9 @@ def random_walk(
     随机游走是"平方根扩散"的原型：位置的标准差随步数按 `√t` 增长，所以典型图形是 `±√t` 的喇叭口。
     本函数只负责 `cumsum`；**建模差异全在 `step_sampler` 里** —— 换成 `rng.normal(0, 1, size)` 就是高斯游走，
     换成带正漂移的增量就是有趋势的游走。
-    `step_sampler` 返回的形状不等于 `(n_paths, n_steps)`、或增量里出现 NaN，都判 `success=False`
+    `step_sampler` 返回的不是**一维**、长度不等于 `n_paths * n_steps`，或增量里出现 NaN，都判 `success=False`
     （NaN 口径与 `monte_carlo` 一致）；其余异常同样统一走失败分支。
+    步与路径的对应关系是**行主序**：一维数组的前 `n_steps` 个元素属于第 1 条路径。
 
     Examples
     --------
@@ -417,12 +419,16 @@ def random_walk(
     }
 
     try:
-        steps = np.asarray(step_sampler(rng, size=(n_paths, n_steps)), dtype=float)
-        if steps.shape != (n_paths, n_steps):
-            raise ValueError(f"step_sampler 返回形状必须为 ({n_paths}, {n_steps})，实际得到了 {steps.shape}")
+        steps = np.asarray(step_sampler(rng, size=n_paths * n_steps), dtype=float)
+        if steps.shape != (n_paths * n_steps,):
+            raise ValueError(
+                f"step_sampler 返回长度必须为 {n_paths * n_steps}，实际得到了 {steps.shape}"
+            )
         if np.isnan(steps).any():
             raise ValueError("step_sampler 生成的增量数据中包含 NaN，请检查采样逻辑")
 
+        steps = steps.reshape(n_paths, n_steps)   # 行主序：前 n_steps 个属于第 1 条路径
+
         cumsum = np.cumsum(steps, axis=1)
 
         paths = np.zeros((n_paths, n_steps + 1), dtype=float)