用途：在启动长时间机器学习训练任务前执行一套起飞前检查，降低因配置错误、路径缺失或监控缺失造成的整轮训练失败风险。也用于重启已失败的运行，或在启动替代运行前终止并清理旧任务。
主要能力：
- 配置对比：查找近期修改的配置文件，与参考运行进行 diff，逐行确认差异是有意设置还是遗留默认值，重点关注 num_workers、batch_size、learning_rate、optimizer betas/weight decay、mixed_precision、gradient_accumulation_steps、seed 等易被忽略的项。若无参考配置，应向用户询问，不可仅凭框架默认值启动。
- 运行命名规范：要求名称用简明英文描述实验内容，模式为“数据集/任务-模型-关键配置-独特配方”，避免 run-1、wave-2 等内部代号。
- 路径验证：启动前确认数据集路径、预训练检查点、输出目录父级和配置文件均存在，不可依赖记忆中的路径。
- 监控设置：根据环境变量或启动脚本自动识别 wandb、neptune、mlflow 或 tensorboard，确认运行会出现在正确的项目/实体下，并设置必要的标签或分组。
- 预计时长：按“轮数 × 每轮秒数 / 3600”估算墙钟时长，以本地时区说明，判断是否跨会议、睡眠或缺勤窗口。
重启与终止清理：按顺序清除本机检查点目录、远端/NFS/对象存储产物、实验追踪器中的运行记录、调度器预留（如 scancel <jobid>），避免幽灵状态影响后续启动或对比。
使用方式：当用户要求启动、重启、终止训练运行，或在执行 python train.py、accelerate launch、torchrun、deepspeed、sbatch train.sh、wandb sweep 等命令前，触发本清单。逐项报告通过或失败；任一失败默认阻止启动，除非用户明确豁免。干净启动时应给出可直接复制的启动命令。
限制：资料未提供具体实现代码、依赖版本、支持的框架范围及收费信息。