用途：用于诊断失败的机器学习实验，遵循“探测→假设→冒烟→对照→结论”的顺序，避免凭直觉断言原因后做出掩盖真实问题的修复。
触发场景：用户提出“为什么 X 失败/发散/NaN/OOM/卡住/变慢/崩溃”“loss 在上升”“指标异常”“GPU 利用率为 0”“调试/诊断/排查这次运行”，或粘贴日志询问问题所在。
主要能力：先收集低成本证据，包括进程状态（ps aux | grep -E '(python|train|torchrun|accelerate)' | grep -v grep）、内核与系统事件（dmesg | tail -100、journalctl -xe --since "1 hour ago" | tail -50）、GPU 状态（nvidia-smi、nvidia-smi --query-gpu=utilization.gpu,memory.used,temperature.gpu --format=csv）、磁盘（df -h、du -sh）、日志回看与检查点状态。随后提出明确标注的假设，再用冒烟运行验证，例如 batch_size=1、合成数据、eval() 单批前向、lr=0、单 GPU 等；必要时做单变量对照。最后仅在证据充分时给出带工具输出引用的根因结论，否则说明尚不确定并给出下一步探测。
输出：简洁诊断报告，包含探测结果、假设、冒烟结果、根因或不确定判定、建议的下一步行动，每条结论引用支撑它的工具输出。
限制：资料未提供具体平台、收费、价格或效果信息；该技能依赖可用的系统命令与运行环境，若无法执行探测则难以完成证据链。