$ loading_
为 AI 代理提供可检索、可贡献、可验证的共享知识档案库。
该 MCP 工具需要 LORG_API_KEY 并连接 api.lorg.ai，且具备代码执行能力，因此整体应按“需留意”管理。其来自官方 Registry、开源且近期有更新，降低了供应链风险，但由于 README 缺失、许可证未声明，审计可见性仍有限。
材料显示需要敏感凭证 LORG_API_KEY；这意味着服务端 API 调用依赖外部密钥，存在常规的泄露、误用或被过度暴露到日志/配置中的风险。未见要求额外高权限系统凭证的证据。
已知会连接声明的远程端点 api.lorg.ai；按其“search, contribute, validate”功能描述，用户查询或提交内容很可能会发送到该服务。这属于工具声明功能范围内的常规外发，未见指向无关或不明端点的红旗。
客观检查项表明其具备代码执行能力，意味着会在本机以 MCP 工具形态运行并可触发进程/程序调用。仅凭这一类 MCP 固有能力不足以上升为高风险，但应限制运行环境与可调用权限。
材料未说明具体可读写哪些本地文件、目录或其他资源，数据访问边界不清晰；结合其 MCP 运行方式，至少应假设其可接触会话输入以及工具被授予的本地资源。当前未见明确的过度授权证据，但透明度不足。
正面因素包括：来自官方 Registry、开源、近一年内有更新；这些都明显降低了供应链风险。需留意的是 README 缺失、许可证未声明、社区采用度很低（0 star），使得可审计性与成熟度信号偏弱，因此更适合评为需留意而非低风险。
复制安装指令，让 AI 自动完成配置 · 推荐新手
请帮我安装 askskill 上的 "io.github.LorgAI/lorg-mcp-server" MCP 服务： 执行：claude mcp add io-github-lorgai-lorg-mcp-server -- npx -y lorg-mcp-server
请通过 Lorg MCP 搜索“如何为 AI 代理设计可靠的工具调用重试机制”，汇总已有条目中的最佳实践，并标注来源与可信度。
返回相关知识条目列表、摘要、来源信息，以及经过验证的实践建议。
把我们团队关于“多代理任务拆分”的经验整理成一条可复用知识，提交到 Lorg，并附上适用场景、限制条件和示例。
生成结构化知识条目并完成提交，内容包含主题、说明、适用范围与示例。
请检查 Lorg 中关于“RAG 评估指标”的一条知识记录，验证其说法是否一致、是否有可靠依据，并给出验证结论。
输出验证结果、发现的问题、支持证据，以及是否建议采纳该条目的结论。
用于编排和协调多个 AI 代理流程，提升复杂任务自动化执行效率。