refactor(data): migrate data layout to raw/processed/canonical (path-only)

[xianyu9n]

Data layout 迁移（只改目录结构与路径引用，不改数据/逻辑）

目标布局：data/raw → data/processed/<ds>/ → data/canonical/<ds>/ → data/{sft,rl}/（parquet），data/knowledge/ 不变。

迁移

• data/<ds>/all.json + {train,val,test}.json + split_report.json → data/processed/<ds>/
• data/<ds>/canonical/{all.json,resolution_report.json} → data/canonical/<ds>/
• 新增 data/raw/（gitignored，不入库）、data/legacy/finance.corpus.json（archive）
• 删除与 shougang/all.json 逐字节重复的 all_shougang.json
• data/sft/**、data/rl/** 视为可再生成产物，未搬移（已用同一管道重新 export 验证一致）
• 注意：data 数据文件均为 gitignored，本 PR 不会通过 git 自动迁移现有本地数据。 已有旧布局环境需手动将 data/<ds>/ 移至新 processed/canonical 层（见 data/README.md §「如何使用 data/processed」）。

代码（路径语义化，零逻辑改动）

• agent.task.canonical_dataset：data_dir → 语义化 processed_dir / canonical_dir
• script/canonical/targets.py：CLI --processed-dir / --canonical-dir
• script/canonical/cli.py、script/analysis/...：读 processed + legacy corpus
• script/verl/{sft,rl}/export.py help、src/agent/training/sft/dataset.py docstring
• data/README.md：分层语义 + 「如何使用 data/processed」runbook（已按文档命令验证）
• docs：data_contract.md、SFT_BASELINE.md、stage3c 迁移注记、新数据集运行说明 交叉引用
• tests：test_canonical_dataset / test_label_whitespace_variants / test_sft_canonical_e2e / test_rl_canonical_e2e 路径更新（修复了迁移后被静默 skip 的 real-data 测试）
• 安全：移除含本机绝对路径的一次性脚本 generate_standards_map.py；各分支 tip 已做敏感词清理（master 已有同款 scrub 提交）

Review fix（8316dbc）

1. legacy corpus key 修复：discover_corpora() 现在把 finance.corpus.json 注册为 corpus:finance（原先 Path.stem 产生 corpus:finance.corpus，与 build_schema_issues 硬编码 key 不符 → 运行必 KeyError）。已用真实数据端到端跑通 analyze_dataset_corpus_alignment.py（修复前崩溃、修复后 exit 0）。
2. 单测：新增 tests/analysis/test_alignment_legacy_corpus.py，防止 .corpus.json 双后缀 key 回归。
3. data/raw/.gitkeep：未入库（gitignored），已从 PR 描述与 data/README.md 中移除「仓库保留该占位」的表述。
4. gitignored 数据不自动迁移说明已补入 data/README.md 迁移段。

一致性验证

• 28 个 moved JSON 文件 SHA256 逐字节一致（迁移前后）
• script.canonical.targets 重新生成的 canonical all.json 与迁移前字节级相同（4 数据集）
• SFT/RL export 重导出后 24 个 parquet split 行数与迁移前全等；双次导出 parquet 逐字节相同（确定性）
• 「交接模拟」：仅 data/processed + 仓库代码（去掉 knowledge/canonical/sft/rl）即可全自动重建 canonical + parquet，且与主仓库逐字节一致
• 无 GPU 环境：canonical build / SFT|RL export / validate 均可 torch-free 本地跑通；smoke 训练未验证（需 verl+GPU）

测试

pytest tests/ → 242 passed, 2 skipped（skip = verl 未安装）