用途：把研究想法转化为可落地、易调试、可扩展的 PyTorch 或 PyTorch Lightning 训练方案。需要具体实现清单和模板时，可查阅 references/training-recipe-details.md。
主要能力：输出训练配方、数据管道、模型/损失/优化器选择、最小配置、首轮检查、日志与检查点计划、可能的失败模式以及扩展计划。
使用方式：先明确任务、数据集与划分协议，模型族与输入/目标格式，损失与指标，基线或复现目标，硬件/算力预算，以及框架偏好（原生 PyTorch 或 Lightning）。随后按流程定义实验及其支撑的结论，定义数据管道并做泄漏检查，选择支持该实验的最简训练栈，设置优化器、调度、批大小、精度、梯度裁剪等，加入首轮安全检查，定义指标与错误切片，规划日志、检查点、随机种子与配置记录，标记可能的失败模式，并建议从极小规模健全性运行到完整实验的分阶段推进。
不可妥协的检查：运行形状/数据类型/设备检查；验证初始化时损失为有限值；对极小批次过拟合；若需可复现，用同一确定性种子运行两次；扩展前与简单基线比较；每次运行保存配置、提交、种子与命令。
规则：不要一开始就用分布式训练；在极小批次检查通过前不要调超参数；在检查指标实现前不要信任该指标；首个可运行版本保持简单。
限制：资料未提供具体代码示例、安装命令、收费或平台信息。