fix(core): 补齐 get_rng 类型校验，set_seed 覆盖 numpy 旧全局

get_rng 的"共享单例生成器"设计由用户本人提出，本提交只在其上修 bug。

- random_state 判断从 isinstance(x, int) 放宽到 (int, np.integer)：
  np.int64 不是 int 的子类，之前会静默退回全局流、种子被无声忽略
- 非预期类型改成抛 TypeError（含 bool / float / str / list），不再静默降级
- get_rng 签名补上 np.integer 与 Generator，与 docstring 的承诺一致
- set_seed 同时调用 np.random.seed：sklearn / statsmodels 走的是 numpy
  旧全局状态，不覆盖它们"提交能重跑"就有洞（带 noqa: NPY002 与理由）
- 测试：TestRandom 由 4 条增到 7 条（np.integer、非法类型、共享生成器推进）
- 新增 docs/dev/personal-pitfalls.md：个人易错点清单，只追加、不通读，
  首批记录本轮 4 个点；docs/README.md 补上 05 与该文件的索引
- STATUS.md：L0 进度说明更新，决策 24 改写（共享单例）、新增决策 25
  （src/ 实现默认由用户本人写）

src/mcm_toolkit/core/random.py

@@ -4,7 +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。）
+  （唯一例外是 :func:`set_seed` 里的 `np.random.seed`，见该函数说明。）
 * 论文附录必须写明 seed —— 提交要能复现。
 """
 
@@ -14,25 +14,32 @@ 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
+# 模块级共享生成器：set_seed 换掉它，无参 get_rng 复用它。
+_GLOBAL_RNG: np.random.Generator | None = None
 
 
-def get_rng(random_state: int | np.random.Generator | None = None) -> np.random.Generator:
+def get_rng(
+    random_state: int | np.integer | 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` 时跟随 :func:`set_seed` 设过的全局种子，没设过就交给系统熵源；
+        `int` / `np.integer` 时返回固定种子的独立生成器（可复现）；
+        `None` 时返回共享的全局生成器（由 :func:`set_seed` 设定，**会被推进**）；
         已经是 :class:`np.random.Generator` 时原样返回（便于函数间串联）。
 
+    Raises
+    ------
+    TypeError
+        传进来的既不是整数、也不是 Generator、也不是 None。
+
     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`。
+    无参调用返回的是**同一个**生成器对象，所以连续两次 `get_rng()` 取到的随机数
+    不同（流在推进）。这既保证"重跑一遍结果一样"，又避免两个都省略 `random_state`
+    的函数抽到完全相同的数。
 
     Examples
     --------
@@ -42,23 +49,40 @@ def get_rng(random_state: int | np.random.Generator | None = None) -> np.random.
     """
     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)
+
+    # bool 是 int 的子类，但 True 被当成种子 1 几乎总是笔误，宁可报错也不静默接受。
+    if isinstance(random_state, bool):
+        raise TypeError("random_state 不接受 bool：True 会被当成种子 1，通常是笔误")
+
+    # np.int64 这类 numpy 标量**不是** python int 的子类，必须一起判断；
+    # 只写 int 的话，传进来的 numpy 整数会静默掉进下面的全局分支，种子被无声忽略。
+    if isinstance(random_state, (int, np.integer)):
+        return np.random.default_rng(int(random_state))
+
+    if random_state is not None:
+        raise TypeError(
+            "random_state 只接受 int / np.integer / np.random.Generator / None，"
+            f"收到的是 {type(random_state).__name__}"
+        )
+
+    global _GLOBAL_RNG
+    if _GLOBAL_RNG is None:
+        _GLOBAL_RNG = np.random.default_rng()
+    return _GLOBAL_RNG
 
 
-def set_seed(seed: int) -> None:
+def set_seed(seed: int | np.integer) -> 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。
+    除了换掉本包的共享生成器，还会一并设置 numpy 的**旧全局状态**：
+    sklearn / statsmodels 内部走 `check_random_state(None)` 时用的就是它，
+    只管自己的生成器的话，这些库照样不可复现。
 
     Examples
     --------
     >>> set_seed(42)
     """
-    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
+    global _GLOBAL_RNG
+    _GLOBAL_RNG = np.random.default_rng(seed)
+    # 全项目唯一允许碰旧接口的地方：这里是"设种子"，不是"取随机数"。
+    np.random.seed(seed)  # noqa: NPY002