用途：帮助用户在 Azure AI Foundry 上完成模型微调的完整生命周期，包括数据集生成与评估、基座模型基线评测、训练类型选择、数据格式转换、训练作业提交与监控、训练曲线分析、迭代实验、模型部署与评测。
主要能力：按用户所处阶段提供对应工作流文档（快速上手、全流程、数据集创建、轨迹蒸馏、合成数据生成、迭代训练、效果诊断、实验复盘、自动微调等）；提供大量可复用 Python 脚本，如 validate_sft.py 等数据校验、submit_training.py、monitor_training.py、check_training.py、deploy_model.py、evaluate_model.py、convert_dataset.py、generate_dataset.py、chunk_and_generate.py、quality_filter.py、content_safety_check.py、transform_traces_jsonl.py 及 auto_finetune.py / auto_rft.py 自动编排脚本；配套参考文档涵盖训练类型、超参数、数据格式、部署格式、评估方法、成本管理等。
使用方式：按阶段阅读对应 workflows 与 references 文件后执行脚本。例如校验 SFT 数据：python scripts/validate/validate_sft.py data.jsonl；提交 SFT 作业：python scripts/submit_training.py --model gpt-4.1-mini --training-file train.jsonl --validation-file val.jsonl --type sft；监控：python scripts/monitor_training.py --job-id ftjob-xxx；部署：python scripts/deploy_model.py --model-id ft:gpt-4.1-mini:... --name my-eval；评估：python scripts/evaluate_model.py --deployment-name my-eval --test-file test.jsonl；也可用 azd ai finetuning CLI 替代提交与部署。
适用场景：SFT、DPO、RFT 训练；从智能体轨迹蒸馏到小模型；从文档或 OpenAPI 规范生成合成数据；图像数据微调（gpt-4o、gpt-4.1）；教师-学生蒸馏；智能体 RFT 工具调用与评分器设计等。
限制与注意事项：需先部署所用模型并确认模型名与实际部署名一致；训练前先评测基座模型建立基线；所有实验使用同一验证集；RFT 评分器字段名必须与训练数据字段一致；RFT 任务需足够难（基座通过率超过90%则信号不足）；OSS 模型微调需 trainingType: globalStandard；注意订阅与资源匹配、配额清理及已知平台问题与临时 500 错误重试。具体价格、费用与部分平台细节资料未提供。