用途：创建和修改 NeMo AutoModel 的训练与评估配方（recipe），回答配方 YAML 结构、target 可调用对象、builder 函数、验证数据集、检查点配置、CLI 路由注册及配方测试相关问题。
主要能力：配方继承 BaseRecipe，实现 setup() 与 run_train_validation_loop()；组件通过 build_model()、build_optimizer()、build_dataloader()、build_loss_module()、build_lr_scheduler()、build_step_scheduler() 构建，CheckpointingConfig 由 YAML checkpoint 块生成。执行流为 CLI（automodel config.yaml）→ app.py 解析配方目标 → 配方脚本 main(config_path) → Recipe.setup() → run_train_validation_loop()。
使用方式：YAML 中 target 指定完全限定 Python 可调用对象，同级键作为关键字参数；可用 CLI 覆盖，如 automodel config.yaml --optimizer.lr 1e-4 --step_scheduler.max_steps 500 --distributed.tp_size 2。验证与检查点涉及 step_scheduler.val_check_interval、checkpoint_interval、validation_dataset、restore_from.path，默认检查点格式为 consolidated safetensors。
适用场景：LLM 微调/预训练（recipes/llm/train_ft.py）、知识蒸馏（kd.py）、基准测试（benchmark.py）、VLM（recipes/vlm/finetune.py）、扩散（recipes/diffusion/train.py，仅 DDP 与 FSDP2）、检索（双编码器、交叉编码器、难负样本挖掘）。
限制：不适用于独立分布式策略选择、集群启动器配置或模型架构接入，除非这些选择出现在配方 YAML 中。全参数训练建议显式设置 model.dtype: float32；PEFT、TE FusedAdam 与扩散需单独精度选择。常见问题包括 target 拼写错误、批大小不整除、配方目标不可解析、collate 输出与模型输入不匹配、验证 OOM、检查点与配置架构不一致。