用途：面向机器学习训练故障排查与性能优化，针对损失变为 NaN/无穷、严重过拟合、训练不收敛、梯度消失或爆炸、验证准确率低、训练过慢等问题提供系统化调试流程。
主要能力：分五个阶段推进。阶段一诊断问题，分析训练曲线，识别损失发散、过拟合、收敛缓慢、梯度异常和 NaN 值，并生成诊断报告；阶段二深入根因，进行梯度分析、数据问题检查（类别不平衡、异常值、缺失归一化、标签噪声）和模型架构审查；阶段三应用修复，包括调整学习率、添加 L2 正则与 Dropout、梯度裁剪、更换激活函数、计算类别权重和重新归一化数据；阶段四验证修复，重新训练并对比修复前后指标，生成可视化；阶段五给出进一步优化建议并输出最终报告。
使用方式：资料以 Python 代码示例展示流程，涉及读取 training_history.json、使用 TensorFlow/Keras 进行梯度分析与模型编译、使用 scikit-learn 计算类别权重和标准化、使用 matplotlib 绘制对比图，并通过 memory.store 保存各阶段结果。输出包括 diagnostic_report.md、fixed_model.h5、training_comparison.png 和 optimization_recommendations.md。
适用场景：训练过程出现异常或性能不佳时，用于定位原因并实施修复。
限制：资料未提供安装命令、收费方式、平台支持范围或具体效果保证；示例依赖 TensorFlow、scikit-learn、matplotlib 等库，实际使用需具备相应环境与训练数据。