用途：调试分布式训练作业失败，输入为 worker 日志目录（SLURM/torchrun 的 stderr，必需）和可选的 AIStore 守护进程日志（proxy/target 压缩包或解压目录）。目标是追溯级联故障的根因，而非停留在表象。
主要能力：分阶段排查。Phase 0 获取日志，提示用 scp 或 cp 收集全部按节点 error-JOBID-*.out 文件。Phase 1 对 worker 日志做分诊：识别框架（NeMo、Megatron、PyTorch Lightning、DeepSpeed）、规模、是否从检查点恢复；按优先级搜索致命错误（NCCL 超时、SIGTERM/SIGKILL、CUDA OOM、RuntimeError、连接重置、重试耗尽等）；对 NCCL 超时必须检查所有 rank，用 sort -u 找离群 rank，区分“自身看门狗触发”与“收到其他 rank 的 flight recorder 信号”，并用 last enqueued/completed work 判断卡在 CPU 侧还是 GPU 侧；构建因果时间线；检查 NeMo 的每步集合通信点（PreemptionCallback、NeMoModelCheckpoint、DDP all-reduce、broadcast_buffers）。Phase 2 在提供 AIStore 日志时，解压 tarball、按文件名时间范围定位故障窗口文件、核对时区、检查 target/proxy 的 err.get.n、err.getbatch.n、err.http.write.n 等计数器与错误级消息，关联 x-get-batch 失败链。Phase 3 输出报告：作业详情、时间线表、根因链、关键文件、建议，并归类失败类型（存储 I/O、网络、GPU/CUDA、数据、软件、基础设施、数据加载停滞）。
使用方式：按技能提示提供日志目录参数；若涉及存储 I/O 且未提供 AIS 日志，会建议用 ais CLI 下载（需设置 AIS_ENDPOINT、AIS_AUTHN_TOKEN，处理 TLS，执行 ais log get cluster <目录>）。
限制：需要用户提供全部 per-node 日志，否则无法定位具体 rank；AIS 日志为可选，缺失时只能给出推测；日志时间戳可能不含时区，需交叉核对；具体收费、平台支持等信息暂未提供。