用途：为 Megatron Bridge 训练任务推荐合适的配方，并根据用户的模型、GPU 数量与训练目标调整配置。使用时先询问模型名称/规模、GPU 数量与类型、训练目标（预训练/SFT/PEFT）以及序列长度，再查索引给出配方函数名、入口命令与调整建议。
主要能力：索引库配方（src/megatron/bridge/recipes/），通过 scripts/training/run_recipe.py 运行，覆盖 Llama、Qwen2/2.5/3、Qwen3 MoE、Qwen3-Next、DeepSeek、GLM-4.5、Gemma、Nemotron、MoE 与 VLM、扩散模型等；同时索引 scripts/performance/ 下的性能配方，用于吞吐基准，使用 mock 数据、默认 50 次迭代，不应作为生产训练配置。
关键区分：库配方用于功能训练，性能配方仅用于吞吐上界基准；首次冒烟测试推荐 llama3_8b_sft_config 配合 --dataset llm-pretrain-mock；常规 SFT 用 --dataset llm-finetune，预训练与 mock 验证用 llm-pretrain-mock。
调整规则：TP 必须整除 num_key_value_heads，TP 尽量留在单节点内（除非有 NVL72 级互联），TP>1 时启用 SP，长上下文配置 CP，DP 隐含，OOM 时优先降低 micro_batch_size；MoE OOM 应先增大 EP 而非 TP；world_size = DP×TP×PP×CP×EP。还提示 TP 超限、PP 无 VP、CUDA graphs 与打包序列冲突、FSDP 在 H100 上的取舍、长上下文缺 CP、MoE 在 H100 上 overlap_grad_reduce 等陷阱。
限制：性能配方仅用于吞吐基准，非收敛验证；VLM SFT 需真实多模态数据；部分 MoE/FSDP 配置仅在 Blackwell 测试。资料提及 PR #2803 将统一性能配方，尚未提供落地细节。