$ loading_
通过 MCP 工具加载模型并进行可解释性分析、探针训练和干预。
该 MCP 工具声明用于对本地模型进行 mechanistic interpretability 操作，未见需要密钥或远程端点，整体更像本地分析类工具。主要风险点在于其具备本机代码执行能力，且来源为第三方、仓库无 README/许可证声明、社区采用和维护信号较弱，需谨慎隔离使用。
材料明确标注“无”必需密钥/环境变量，未见要求 API token、云凭证或账号登录；基于现有材料，凭证暴露与滥用面较低。
材料明确标注“无”远程端点，描述也聚焦本地模型加载、激活提取、训练与消融；未见将用户数据外发到外部服务的证据。
系统检查项已标注 executes-code，且该工具声明可进行模型加载、probe 训练、steering 与 ablation，说明其会在本机执行较强的计算/代码路径。此类本地执行能力属于 MCP 工具常规高权限面，建议在隔离环境运行。
从“模型加载、激活提取、训练”可合理推断其至少需要访问本地模型文件及相关输入/输出数据；材料未说明精确读写范围，也未见明显超出声明功能的过度授权证据，因此定为需留意而非高风险。
有开源仓库可供审计是正面信号，但来源为 third_party_registry，仓库材料中未提供 README 内容，许可证未声明，社区采用仅 0 star，维护状态未知；可审计性存在但信任度偏弱，建议先人工审查源码与依赖。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"chuk-mcp-lazarus" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请使用该 MCP 工具加载指定模型，并提取某层在给定输入上的激活值，输出为便于后续分析的结构化结果。
返回指定层的激活值、形状信息和可用于分析的结构化数据。
请基于一组标注数据，使用该 MCP 工具训练一个线性探针来检测模型内部是否编码了目标特征，并给出训练结果摘要。
输出探针训练指标、效果评估以及目标特征是否可被内部表示捕获。
请使用该 MCP 工具对指定层执行 steering 和 ablation 实验，比较干预前后的模型输出变化，并总结差异。
返回干预前后输出对比、变化幅度以及可解释性结论。
通过 MCP 连接 Jupyter 环境，帮助执行代码、分析数据并交互式探索结果。