feat: protocol base lib + rule-based parser MVP + 31 tests

docs/routing-compression-subnet.md

@@ -71,7 +71,7 @@
 |------|------|
 | **输入** | 原始多模态数据（图像/语音/文本）+ 控制张量（来自Core） |
 | **输出** | 标准引用张量（发送给Core） |
-| **输出格式** | 标准张量协议，tensor_type=`ref_tensor` |
+| **输出格式** | 统一通信张量，fmt_id=0 (ref_tensor) |
 | **压缩目标** | 10:1 ~ 100:1 压缩率 |
 | **延迟目标** | 单次处理 < 50ms |
 
@@ -103,7 +103,8 @@
 │                         ▼                    │
 │              ┌─────────────────────┐         │
 │              │  张量编码层          │         │
-│              │  内部格式→标准张量格式 │         │
+│              │  内部格式→统一通信张量 │         │
+│              │  拼接 fmt_id=0 前缀    │         │
 │              └──────────┬──────────┘         │
 └─────────────────────────┼─────────────────────┘
                           │
@@ -195,20 +196,21 @@
 6. 训练 100 epochs，batch size 256
 7. 评估：在不同压缩率 (10x, 50x, 100x) 下测量重建质量
 
-### 阶段 4：张量编码层训练
+### 阶段 4：编码适配器训练
 
-**目标**：训练编码层将内部张量转换为标准通信张量
+**目标**：训练编码层将内部张量转换为统一通信张量（拼接 fmt_id/parser_id 前缀）
 
 **技术路线**：
 - 可学习的线性投影层 + LayerNorm
 - 维度对齐网络（Projection Head）
 
 **训练步骤**：
-1. 定义标准张量协议的目标格式（固定维度、精度等）
+1. 定义统一通信张量的目标维度（payload 部分）
 2. 收集阶段3的 VQ-VAE 潜在表示作为训练数据
-3. 训练投影网络将内部张量映射到标准格式
-4. 训练配套的解码网络（供其他子网使用）
-5. 验证编码/解码循环的一致性误差
+3. 训练投影网络将内部张量映射到 payload 格式
+4. 实现编码适配器: payload + 拼接 [fmt_id=0, parser_id=0, padding..., data]
+5. 训练配套的解码网络（供其他子网使用）
+6. 验证编码/解码循环的一致性误差
 
 ### 阶段 5：联合端到端微调