用途：让 AI 智能体在结构化或非结构化数据集上完成机器学习模型的完整训练流程，涵盖数据加载与检查、预处理与特征工程、模型架构定义、训练配置、带验证的训练循环、检查点保存与导出。
主要能力：支持经典机器学习与深度学习工作流；框架包括 PyTorch、TensorFlow/Keras、scikit-learn、XGBoost、LightGBM；分布式训练支持 PyTorch DDP、Horovod、TensorFlow MirroredStrategy；实验跟踪支持 MLflow、Weights & Biases、TensorBoard；混合精度支持 torch.amp 与 tf.keras.mixed_precision；数据加载支持 PyTorch DataLoader、tf.data、pandas、Hugging Face Datasets。
使用方式：向智能体提供数据集位置、目标变量或任务描述，以及框架偏好、算力预算、目标指标等约束，智能体执行完整训练流程并返回训练好的模型产物与评估指标。
适用场景：文本分类、图像任务、表格数据建模等；支持迁移学习与预训练模型微调。
限制与注意事项：资料未提供具体安装命令、收费方式与平台信息。小数据集建议用 k 折交叉验证与迁移学习；极端类别不平衡应使用过采样、类别加权损失或 focal loss，并以 F1、PR-AUC 等替代准确率；训练发散或 NaN 损失可降低学习率、梯度裁剪或关闭混合精度；显存不足可减小批量、梯度累积或梯度检查点；概念漂移场景需定期重训并采用基于时间的划分。