用途：准备 LoRA 训练数据集，并在 RunComfy GPU 上通过 AI Toolkit 管理训练任务，包括审查训练 YAML、字幕、数据集就绪度，以及在用户批准后启动作业并取回结果。需先连接 RunComfy MCP 工具；若断开，使用客户端的认证流程，不要在任何对话中索要令牌。仅讲解 LoRA 设置无需创建数据集或启动作业。
主要能力：先用 list_datasets 查找目标数据集；新数据集需在用户授权范围内创建和上传。upload_dataset_file_from_url 从可访问 URL 导入媒体，upload_dataset_text_file 写入字幕文本；本地文件通过 get_dataset_upload_urls 获取签名上传地址，再经受支持的客户端工具上传。提交前核对文件清单与 get_dataset_status 就绪状态，不能把“上传成功”当作 READY。编写的 AI Toolkit YAML 需包含模型与适配器兼容性、steps、learning rate、rank、batch size、分辨率、checkpoint interval 和采样设置，作业名需唯一。平台路径约定：training_folder 为 /app/ai-toolkit/output，数据集 folder_path 为 /app/ai-toolkit/datasets/{dataset_name}（用名称而非 ID）。提交前查看当前 GPU 选项与费率并调用 get_balance，向用户展示确切 YAML、GPU 类型/数量、数据集、预估成本、花费上限及监控与停止条件，经批准后提交。
使用方式：调用 submit_training_job 一次提交未改动的 YAML 与已批准的 GPU 设置，立即记录 job ID；用 get_training_job_status 合理间隔监控，超时或客户端中断不得重复提交，应先核对已有作业。仅在用户取消或达成约定停止条件时调用 cancel_training_job；resume_training_job、edit_training_job、删除数据集及新增作业需对应授权。用 get_training_job_result 报告实际检查点、配置与样本产物。
限制：终态 STOPPED 不等于训练成功，需检查已完成步数、错误与可用产物；下载的检查点或完成的作业不代表推理/重载测试或输出质量证明。若需运行 LoRA，须验证兼容基座模型与当前 get_model 输入 schema，并就额外推理成本取得批准，不能假定所有模型接受相同 LoRA 字段。若任务包含停止 GPU 计费，应依据状态或作业页核实 GPU 释放，并与进程结束区分；无法获取释放信号时如实说明。