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

tests/test_solve.py

@@ -335,19 +335,37 @@ def test_random_walk_rejects_bad_arguments():
         random_walk(n_steps=10, start="a")  # type: ignore[arg-type]  # 就是要传错
 
 
-def test_random_walk_failure_returns_result_not_exception():
-    """失败也要返回带 params 的 Result，不能把异常抛给调用方 —— 包装层引用未赋值变量那次就靠它拦住。"""
+def test_random_walk_rejects_2d_step_sampler():
+    """`step_sampler` 必须返回**一维** —— 二维返回（含方阵）一律判失败（易错点 25 的根治）。"""
     from mcm_toolkit.solve import random_walk
 
     def transposed(rng, size):
-        return rng.normal(0, 1, (size[1], size[0]))
+        return rng.normal(0, 1, (4, 3))          # 无论要多少，一律给二维
 
-    r = random_walk(n_steps=4, n_paths=6, step_sampler=transposed, random_state=0)
-    assert r.success is False
-    assert "形状" in r.message
-    assert r.params["n_paths"] == 6      # 失败也要留下追溯信息
+    r = random_walk(n_steps=4, n_paths=3, step_sampler=transposed, random_state=0)
+    assert r.success is False                    # 失败也要返回 Result，不能抛给调用方
+    assert "长度" in r.message
+    assert r.params["n_paths"] == 3              # 失败也要留下追溯信息
     assert r.data is None
 
+    # 旧方案在 n_paths == n_steps 时对"转置"完全无感；现在同样拦住
+    assert random_walk(n_steps=3, n_paths=3, step_sampler=transposed, random_state=0).success is False
+
+
+def test_random_walk_step_sampler_gets_flat_size_and_is_row_major():
+    """契约：`size` 是整数 `n_paths * n_steps`，一维增量按**行主序**切成 n_paths 行。"""
+    from mcm_toolkit.solve import random_walk
+
+    seen = {}
+
+    def sampler(rng, size):
+        seen["size"] = size
+        return np.arange(1, size + 1, dtype=float)   # 1, 2, 3, 4, 5, 6
+
+    r = random_walk(n_steps=3, n_paths=2, step_sampler=sampler, random_state=0)
+    assert seen["size"] == 6                                  # 整数，不是 (n_paths, n_steps)
+    assert r.data.tolist() == [[0, 1, 3, 6], [0, 4, 9, 15]]   # cumsum(1,2,3) / cumsum(4,5,6)
+
 
 def test_random_walk_rejects_nan_steps():
     """增量含 NaN 判失败 —— 与 monte_carlo 的 NaN 口径（决策 48）一致。"""