Corporate Deep Research

企業向けディープリサーチ MCP

ApifyForge で表示 | Apify Store で利用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します：

{
  "mcpServers": {
    "corporate-deep-research-mcp": {
      "url": "https://ryanclinton--corporate-deep-research-mcp.apify.actor/mcp"
    }
  }
}

---

AI エージェント向けの企業ディープリサーチ — この MCP サーバーを使うと、Claude、GPT-4、その他あらゆる MCP 互換 AI クライアントから、SEC 提出書類、株式市場データ、法人識別子、顧客レビュー、消費者苦情、ウェブ調査、百科事典的な情報という、7 つの最新企業情報ソースにすぐアクセスできます。1 回のツール呼び出しで、すべての評価軸にわたる財務健全性スコア、ガバナンス評価、レピュテーションリスクレベル、投資リスク分類をまとめて取得できます。

企業のデューデリジェンスを手作業で行う場合、1 社あたり金融アナリストが 6～12 時間かけて EDGAR の提出書類を取得し、GLEIF LEI のステータスを確認し、Trustpilot のレビューを読み、CFPB の苦情件数を調べ、株式データと照合します。このサーバーは、情報収集とスコアリングのパイプライン全体を自動化します。AI エージェントが 1 つの MCP ツールを呼び出すと、サーバーは 7 つのデータソースに並列でリクエストを送り、企業グラフネットワークを構築し、実行可能な推奨事項を含む構造化分析を 3 分以内に返します。

⬇️ どのような企業情報データにアクセスできますか？

データ項目	ソース	対象範囲
📊 事業概要、競合他社、市場での位置付け	Company Deep Research	ウェブ全体の情報
📋 10-K、10-Q、8-K、委任状説明書	EDGAR Filing Search	SEC データベース全体
📈 株価、時価総額、財務指標	Finnhub Stock Data	世界の株式
🏢 法人確認、親子会社の階層	GLEIF LEI Lookup	グローバル LEI レジストリ
⭐ TrustScore、レビュー件数、評価の推移	Trustpilot Review Analyzer	Trustpilot の掲載情報
⚠️ 苦情件数、製品カテゴリー、解決状況	CFPB Consumer Complaints	米国の金融関連苦情
📖 企業の歴史、論争、注目すべき出来事	Wikipedia Article Search	600 万件以上の記事
🔗 エッジの重みを含む、ソース横断のアイデンティティグラフ	Corporate Network Builder	7 つすべてのソースを統合

MCP ツール

ツール	料金	デフォルトのソース	説明
map_corporate_intelligence	$0.04	research, filings, stock, lei	企業、提出書類、株式、法人のノードと、関係性および接続の重みを示すエッジを含む企業グラフネットワークを構築します
assess_financial_health	$0.04	research, filings, stock, lei	株価シグナル、提出書類の活動状況、時価総額の対数から、財務健全性（strong / stable / caution / distressed）を評価します
detect_reputation_risk	$0.04	research, reviews, complaints	Trustpilot のレビュー傾向と CFPB の苦情件数およびカテゴリーから、レピュテーションリスク（low / medium / high / critical）を検出します
analyze_filing_patterns	$0.04	filings, research	SEC 提出書類の頻度、フォームの種類、提出間隔の標準偏差を使った異常スコアを分析します
score_corporate_governance	$0.04	filings, lei, wikipedia	開示の完全性、10-K／10-Q の遵守状況、LEI のステータス、透明性の指標から、ガバナンスの質を A～F で評価します
trace_corporate_identity	$0.04	research, lei, stock, wikipedia	LEI、Wikipedia、株式登録情報を照合して企業のアイデンティティを確認し、別名を検出してクロスリファレンススコアを算出します
assess_investment_risk	$0.04	research, filings, stock, lei, reviews, complaints	財務リスク 30%、レピュテーションリスク 25%、ガバナンスリスク 25%、市場リスク 20%を組み合わせた、多要素の総合リスクスコア（0～1）を算出します
generate_deep_research_report	$0.04	all 7 sources	重要度順の主要な調査結果、全体的なリスクレベル、優先順位付きの推奨事項を含む、企業情報の包括的なレポートを生成します

デューデリジェンスに Corporate Deep Research MCP を利用する理由

買収候補の手作業による調査に10時間を費やす中堅市場のM&Aチームを考えてみてください。あるタブではEDGARの提出書類を、別のタブではTrustpilotを確認し、GLEIFのAPIは別途呼び出しています。その結果、8-Kの開示件数の急増とCFPBへの苦情の増加が同時に起きているという、重大なリスクシグナルを見落としてしまいます。手作業による調査ではデータが分断されます。このサーバーは、データポイントそのものと同じくらい、データポイント間の関係が重要となる統合グラフを生成します。

このMCPサーバーは、個々のデータポイントを取得するだけでなく、エージェントが企業情報をもとに推論する必要があるAIワークフロー向けに設計されています。

• スケジュール設定 — Apifyのスケジュールに接続して、ポートフォリオ企業を毎週監視し、リスクレベルが変化した際に通知できます
• APIアクセス — Python、JavaScript、n8n、または任意のHTTPクライアントから、単一のPOSTリクエストで実行できます
• 5分間のTTLキャッシュ — 5分以内の繰り返しクエリにはキャッシュ済みの結果を返すため、反復的なエージェントワークフローでコストを予測可能に保てます
• 支出上限 — Apifyの実行ごとに最大支出額を設定できます。上限に達すると、サーバーは構造化されたエラーを返すため、エージェントは適切に処理できます
• デュアルトランスポート — クライアントとの互換性を最大限に高めるため、SSE（/sse）とStreamable HTTP（/mcp）の両方のトランスポートに対応しています
• 並列データソース取得 — 7つすべてのデータソースをPromise.allで並行取得し、ツール呼び出しごとのレイテンシーを最小限に抑えます

機能

• 7つのソースによる企業情報グラフ — 調査情報、EDGARの提出書類、Finnhubの株価、GLEIFのLEI、Trustpilot、CFPB、Wikipediaを同時に取り込み、型付きノードと重み付きエッジを持つ統合CorpNetworkにリンクします
• 型付きエッジ関係 — ネットワークでは、filed_by（0.8）、trades_as（0.9）、identified_by（0.7）、reviewed_on（0.6）、complained_about（0.7）、described_in（0.5）の6種類のエッジを使用し、エージェントが企業間の関係をたどれるようにします
• 財務健全性スコアの計算式 — healthScore = priceSignal × 0.3 + filingActivity × 0.3 + log10(marketCap)/12 × 0.4により、0～1のスコアを算出し、4段階の健全性レベルに対応付けます
• 複合投資リスクの計算式 — compositeRisk = financialRisk × 0.3 + reputationRisk × 0.25 + governanceRisk × 0.25 + marketRisk × 0.2により、低から重大までの5段階のリスクレベルを算出します
• 評判リスクの三角測量 — Trustpilotのレビュー評価の反転値（1 − 平均評価）、CFPBへの苦情件数（1.0を上限とし、1件につき0.2）、および合成センチメントスコアを組み合わせます
• A～Fのガバナンス評価 — 10-Kの有無（+0.4）、10-Qの有無（+0.3）、提出書類の種類の多様性（種類ごとに+0.1、最大0.3）、LEI登録（+0.2）、Wikipedia掲載の有無（+0.1）を評価します
• 提出書類の異常検知 — 提出書類間隔の標準偏差を計算し、平均間隔で正規化して0～1の異常スコアを算出します（>0.5は異常）
• 企業アイデンティティの追跡 — LEI、Wikipedia、株式シンボルを照合して企業名の別名リストと相互参照信頼度スコアを作成します（最大1.0：LEI 0.4、Wikipedia 0.3、株式0.3）
• 調査結果エンジン — generate_deep_research_reportは、苦情件数のしきい値、提出書類の空白期間、LEIレコードの欠落、低評価レビューの集中という4つの検出ルールを適用し、重大度順に結果を出力します
• ソースごとの選択 — 各ツールはsources配列を受け付けるため、コストとレイテンシーを抑える軽量なクエリ（例：["filings"]のみ）を実行できます
• ソースごとに最大500件 — アクタークライアントは上流のアクター呼び出しごとに最大500件のデータセット項目を取得し、ソースごとに異なるスライス上限を適用します（調査情報40件、提出書類60件、株式40件、LEI 30件、レビュー40件、苦情40件、Wikipedia 20件）
• 上流のタイムアウトは180秒 — 各サブアクター呼び出しは180秒の待機時間で実行されます。エラーは適切に捕捉され、ツール呼び出しを失敗させる代わりに空の配列を返します

企業の詳細調査のユースケース

投資デューデリジェンス

ポートフォリオマネージャーやバイサイドアナリストは、完全版のアナリストレポートを依頼する前の一次スクリーニングに generate_deep_research_report を使用します。このツールは、消費者からの苦情の急増、提出書類の不備、LEI の不遵守など、重大度順に並べた調査結果を 3 分以内に返します。週に 20 社をスクリーニングするチームでは、月あたり推定 40 時間以上のアナリスト作業時間を削減できます。

M&A 候補企業の評価

買収候補のパイプラインを管理するコーポレート・ディベロップメントチームは、assess_financial_health と detect_reputation_risk を組み合わせて使い、早期に不適格な候補を除外します。analyze_filing_patterns は、重大なイベントに先行することの多い異常な情報開示行動を検出します。これは、提出書類を個別に確認する人間のアナリストが見落とす可能性のあるパターンです。

ベンダーおよび取引先のスクリーニング

調達チームやコンプライアンスチームは、ベンダーのオンボーディングに score_corporate_governance と trace_corporate_identity を使用します。ガバナンス評価が C 未満、または相互参照スコアが 0.7 未満の場合、取引先に対して強化した手動レビューを行うようフラグが立ちます。Webhook を介して CRM システムと連携することで、記録を最新の状態に保てます。

ポートフォリオのリスクモニタリング

資産運用会社は、Apify Schedules を使用して、ポートフォリオ企業に対する assess_investment_risk の定期チェックを設定します。複合リスクスコア（0～1）は、経時的なリスクレベルの変化を追跡する一貫した指標となり、構造化された JSON 出力はポートフォリオダッシュボードやリスク報告システムに直接取り込めます。

ESG とガバナンスの分析

ESG アナリストは、ガバナンス評価や CFPB の苦情傾向データを、ESG スコアリングフレームワークへの入力として使用します。定期的な提出状況や LEI 登録状況で測定される情報開示の完全性は、広く認識されているガバナンス指標です。このサーバーは、定性的な ESG 評価を補完する定量的なシグナルを提供します。

AI エージェント主導の調査ワークフロー

AI コーディングアシスタントや調査エージェント（Claude、GPT-4、Cursor、Windsurf）は、このサーバーを企業インテリジェンスのバックエンドとして使用します。エージェントは map_corporate_intelligence を呼び出してエンティティグラフを取得し、続けて assess_investment_risk を呼び出してスコアリングを行い、最後に generate_deep_research_report を呼び出して最終出力を生成します。これは、このサーバーがなければ数十回の手動 API 呼び出しが必要となる、複数ステップの推論ワークフローです。

Corporate Deep Research MCP サーバーへの接続方法

Claude Desktop

Claude Desktop の claude_desktop_config.json に次の内容を追加します。

{
  "mcpServers": {
    "corporate-deep-research": {
      "url": "https://corporate-deep-research-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline

エディターの MCP 設定パネルに MCP サーバーの URL を追加します。Streamable HTTP エンドポイントを使用します。

https://corporate-deep-research-mcp.apify.actor/mcp

Authorization ヘッダーで、Apify API トークンを Bearer トークンとして渡します。

SSE トランスポート（レガシークライアント）

Server-Sent Events を使用するクライアントの場合：

https://corporate-deep-research-mcp.apify.actor/sse

ヘルスチェック

curl https://corporate-deep-research-mcp.apify.actor/health
# Returns: {"ok":true}

ツールのパラメーター

このサーバーのすべてのツールは、同じ 2 つのパラメーターを受け取ります。

パラメーター	型	必須	デフォルト	説明
query	string	はい	—	調査する企業名、ティッカーシンボル、または企業エンティティ（例：「Tesla」、「TSLA」、「Berkshire Hathaway」）
sources	array of enum	いいえ	ツール固有	クエリ対象のデータソース。選択肢：research、filings、stock、lei、reviews、complaints、wikipedia

ツールごとのデフォルトソース

ツール	デフォルトソース	推奨される最小数
map_corporate_intelligence	research, filings, stock, lei	2 ソース
assess_financial_health	research, filings, stock, lei	stock または filings
detect_reputation_risk	research, reviews, complaints	reviews または complaints
analyze_filing_patterns	filings, research	filings
score_corporate_governance	filings, lei, wikipedia	filings
trace_corporate_identity	research, lei, stock, wikipedia	lei または wikipedia
assess_investment_risk	research, filings, stock, lei, reviews, complaints	3 ソース以上
generate_deep_research_report	7 つすべてのソース	4 ソース以上

呼び出し例

簡易的な財務健全性チェック（ソース 2 件、最低コスト）：

{
  "query": "Palantir Technologies",
  "sources": ["stock", "filings"]
}

包括的な投資リスク評価（ソース 6 件）：

{
  "query": "SolarWinds Corporation",
  "sources": ["research", "filings", "stock", "lei", "reviews", "complaints"]
}

金融機関の評判に特化したスキャン：

{
  "query": "Wells Fargo",
  "sources": ["reviews", "complaints"]
}

⬆️ 出力例

assess_financial_health の出力

{
  "assessments": [
    {
      "company": "Meridian Capital Group",
      "priceSignal": 0.3124,
      "filingActivity": 0.45,
      "marketCap": 0.7213,
      "healthScore": 0.5521,
      "healthLevel": "stable"
    },
    {
      "company": "Apex Industrial Holdings",
      "priceSignal": 0.1840,
      "filingActivity": 0.15,
      "marketCap": 0.2941,
      "healthScore": 0.2167,
      "healthLevel": "distressed"
    }
  ],
  "avgHealth": 0.3844,
  "distressedCount": 1
}

assess_investment_risk の出力

{
  "risks": [
    {
      "company": "NovaBridge Financial",
      "financialRisk": 0.4,
      "reputationRisk": 0.625,
      "governanceRisk": 0.28,
      "marketRisk": 0.3,
      "compositeRisk": 0.4213,
      "riskLevel": "medium"
    }
  ],
  "avgComposite": 0.4213,
  "criticalCount": 0
}

generate_deep_research_report の出力

{
  "findings": [
    {
      "category": "Consumer Complaints",
      "finding": "23 consumer complaint(s) found across researched entities",
      "severity": "critical",
      "evidence": "NovaBridge: Mortgage, NovaBridge: Credit card, NovaBridge: Debt collection",
      "recommendation": "Review complaint categories and implement customer experience improvements"
    },
    {
      "category": "Reputation Concerns",
      "finding": "7 low-rated review(s) indicating reputation risk",
      "severity": "high",
      "evidence": "NovaBridge Financial, NovaBri",
      "recommendation": "Deep-dive into review themes and implement reputation management"
    },
    {
      "category": "Identity Verification",
      "finding": "3 company(ies) without LEI identification",
      "severity": "medium",
      "evidence": "NovaBridge, Apex Holdings, Meridian",
      "recommendation": "Cross-reference with GLEIF database for legal entity verification"
    }
  ],
  "overallRisk": "critical",
  "companiesResearched": 4,
  "recommendations": [
    "Implement complaint monitoring and resolution tracking",
    "Verify SEC filing compliance for all entities",
    "Review filing frequency for anomalous patterns"
  ]
}

score_corporate_governance の出力

{
  "scores": [
    {
      "company": "Meridian Capital Group",
      "disclosureScore": 0.74,
      "filingCompliance": 0.8,
      "transparencyIndex": 0.77,
      "governanceGrade": "B"
    },
    {
      "company": "NovaBridge Financial",
      "disclosureScore": 0.3,
      "filingCompliance": 0.0,
      "transparencyIndex": 0.15,
      "governanceGrade": "F"
    }
  ],
  "avgTransparency": 0.46,
  "topGradeCount": 1
}

出力フィールド

財務健全性（assess_financial_health）

フィールド	型	説明
assessments[].company	文字列	会社名（最大 50 文字）
assessments[].priceSignal	数値	0～1 に正規化された株価（株価 / 500、上限は 1）
assessments[].filingActivity	数値	提出書類の活動スコア：filingCount × 0.15、上限は 1
assessments[].marketCap	数値	時価総額シグナル：log10(marketCap) / 12、上限は 1
assessments[].healthScore	数値	加重合成スコア：株価 × 0.3 + 提出書類 × 0.3 + 時価総額 × 0.4
assessments[].healthLevel	文字列	strong（≥0.7）／stable（≥0.5）／caution（≥0.3）／distressed（<0.3）
avgHealth	数値	評価した全企業の健全性スコアの平均
distressedCount	数値	healthLevel === "distressed" の企業数

評判リスク（detect_reputation_risk）

フィールド	型	説明
risks[].company	文字列	会社名
risks[].reviewScore	数値	レビューリスク：1 − 平均評価（値が高いほどレビューの評価が低い）
risks[].complaintScore	数値	苦情リスク：complaintCount × 0.2、上限は 1
risks[].sentimentScore	数値	加重平均：（reviewScore + complaintScore）/ 2
risks[].reputationRisk	数値	合成スコア：reviewScore × 0.4 + complaintScore × 0.4 + sentiment × 0.2
risks[].riskLevel	文字列	critical（≥0.75）／high（≥0.5）／medium（≥0.25）／low（<0.25）
avgRisk	数値	全企業の評判リスクの平均
highRiskCount	数値	リスクレベルが high または critical の企業数

提出書類のパターン（analyze_filing_patterns）

フィールド	型	説明
patterns[].company	文字列	会社名
patterns[].filingCount	数値	見つかった提出書類の総数
patterns[].filingTypes	string[]	見つかった個別のフォームタイプ（例：["10-K", "10-Q", "8-K"]）
patterns[].frequency	数値	年間の推定提出頻度（365 日 / 提出間隔の平均）
patterns[].anomalyScore	数値	stdDev(gaps) / mean(gaps)、上限は 1 — 値が高いほど不規則
totalFilings	数値	ネットワーク内の提出書類ノードの総数
avgFrequency	数値	全企業の年間提出頻度の平均
anomalousCount	数値	anomalyScore > 0.5 の企業数

ガバナンススコア（score_corporate_governance）

フィールド	型	説明
scores[].company	文字列	会社名
scores[].disclosureScore	数値	filingCount × 0.12 + LEI ボーナス 0.2 + Wikipedia ボーナス 0.1、上限は 1
scores[].filingCompliance	数値	10-K の有無（0.4）+ 10-Q の有無（0.3）+ タイプの多様性（1 タイプあたり 0.1、最大 0.3）
scores[].transparencyIndex	数値	disclosureScore × 0.5 + filingCompliance × 0.5
scores[].governanceGrade	文字列	A（≥0.8）／B（≥0.6）／C（≥0.4）／D（≥0.2）／F（<0.2）
avgTransparency	数値	透明性指数の平均
topGradeCount	数値	評価が A または B の企業数

企業アイデンティティの追跡（trace_corporate_identity）

フィールド	型	説明
traces[].entity	string	主要な企業名
traces[].leiMatch	boolean	一致するLEIエンティティが見つかったかどうか
traces[].wikiMatch	boolean	一致するWikipedia記事が見つかったかどうか
traces[].crossRefScore	number	LEI（0.4）＋Wikipedia（0.3）＋株式ティッカー（0.3）の存在スコア
traces[].aliases	string[]	ソース全体で見つかった名称のバリエーション（最大5件）
totalTraced	number	追跡した企業の合計数
confirmedCount	number	crossRefScore ≥ 0.7 の企業数
avgCrossRef	number	相互参照の信頼度スコアの平均

投資リスク（assess_investment_risk）

フィールド	型	説明
risks[].company	string	企業名
risks[].financialRisk	number	1 −（提出書類数 × 0.1）、[0,1] の範囲に制限
risks[].reputationRisk	number	苦情件数 × 0.15 ＋（1 − 平均評価）× 0.5、上限1
risks[].governanceRisk	number	1 −（LEI 0.4 ＋ Wikipedia 0.2 ＋ 提出書類数 × 0.08）、[0,1] の範囲に制限
risks[].marketRisk	number	株価データが見つかった場合は0.3、見つからない場合は0.7
risks[].compositeRisk	number	財務 × 0.3 ＋ 評判 × 0.25 ＋ ガバナンス × 0.25 ＋ 市場 × 0.2
risks[].riskLevel	string	critical（≥0.75）／high（≥0.5）／medium（≥0.25）／low（<0.25）
avgComposite	number	複合リスクの平均
criticalCount	number	重大なリスクレベルにある企業数

詳細調査レポート（generate_deep_research_report）

フィールド	型	説明
findings[].category	string	調査結果のカテゴリ：消費者からの苦情、提出書類の不足、アイデンティティの検証、評判に関する懸念
findings[].finding	string	判明した内容の平文による説明
findings[].severity	string	critical／high／medium／low
findings[].evidence	string	調査結果を裏付けるエンティティ／記録の例
findings[].recommendation	string	実行可能な次のステップ
overallRisk	string	最も深刻な調査結果に基づくリスク：critical／high／medium／low
companiesResearched	number	ネットワーク内の企業ノード数
recommendations	string[]	すべての調査結果から抽出し、重複を除いた対応項目

企業の詳細調査にかかる費用はいくらですか？

どのツールを使うか、またソースをいくつ含めるかにかかわらず、ツール呼び出し1回につき $0.04 かかります。サブスクリプション料金や最低利用契約はありません。Apify Freeプランには毎月$5分のクレジットが含まれており、支払いなしで125回のツール呼び出しを利用できます。

シナリオ	ツール呼び出し数	1回あたりの費用	合計費用
1社の簡易スキャン	1	$0.04	$0.04
1社に対する全8ツールの分析	8	$0.04	$0.32
日次モニタリング：ポートフォリオ企業10社	10	$0.04	$0.40/日
週次M&Aパイプラインのスクリーニング：企業50社	50	$0.04	$2.00
月次のエンタープライズ向けデューデリジェンス：500回の呼び出し	500	$0.04	$20.00

Apifyの実行ごとに最大利用額を設定できます。上限に達すると、サーバーは構造化された {"error": true, "message": "Spending limit reached for ..."} レスポンスを返すため、予期しない請求を発生させることなく、エージェントが適切に処理できます。

Bloomberg Terminalはシングルシートで年間$24,000、PitchBook Professionalは年間$10,000からです。このサーバーを使えば、月に500回の企業インテリジェンス呼び出しを行うチームの費用は$20です。サブスクリプション契約も、最低シート数の要件もありません。

API経由でCorporate Deep Research MCPを使用する方法

Python

from apify_client import ApifyClient
import json

client = ApifyClient("YOUR_APIFY_TOKEN")

# Start the MCP server as an Apify actor run
run = client.actor("ryanclinton/corporate-deep-research-mcp").call(run_input={
    "port": 3050
})

print(f"MCP server running. Connect to: https://corporate-deep-research-mcp.apify.actor/mcp")
print(f"Run ID: {run['id']}")

直接HTTPでツールを呼び出す（Python）

import requests

response = requests.post(
    "https://corporate-deep-research-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "assess_investment_risk",
            "arguments": {
                "query": "Enron Corporation",
                "sources": ["research", "filings", "stock", "lei", "reviews", "complaints"]
            }
        },
        "id": 1
    }
)

result = response.json()
risk_data = json.loads(result["result"]["content"][0]["text"])
print(f"Composite risk: {risk_data['risks'][0]['compositeRisk']}")
print(f"Risk level: {risk_data['risks'][0]['riskLevel']}")

JavaScript

const response = await fetch("https://corporate-deep-research-mcp.apify.actor/mcp", {
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
    },
    body: JSON.stringify({
        jsonrpc: "2.0",
        method: "tools/call",
        params: {
            name: "generate_deep_research_report",
            arguments: {
                query: "Silicon Valley Bank",
                sources: ["research", "filings", "stock", "lei", "reviews", "complaints", "wikipedia"]
            }
        },
        id: 1
    })
});

const data = await response.json();
const report = JSON.parse(data.result.content[0].text);
console.log(`Overall risk: ${report.overallRisk}`);
console.log(`Companies researched: ${report.companiesResearched}`);
for (const finding of report.findings) {
    console.log(`[${finding.severity.toUpperCase()}] ${finding.category}: ${finding.finding}`);
}

cURL

# Call the generate_deep_research_report tool
curl -X POST "https://corporate-deep-research-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "generate_deep_research_report",
      "arguments": {
        "query": "Theranos",
        "sources": ["research", "filings", "lei", "reviews", "complaints", "wikipedia"]
      }
    },
    "id": 1
  }'

# List all available tools
curl -X POST "https://corporate-deep-research-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{"jsonrpc":"2.0","method":"tools/list","params":{},"id":2}'

Corporate Deep Research MCPの仕組み

フェーズ 1：ソースの解決とグラフの構築

ツールが呼び出されると、サーバーはまず、ソースとクエリ文字列（例：res:Tesla、fil:Tesla）をキーとする、メモリ上の 5 分間の TTL キャッシュを確認します。キャッシュにヒットした場合は、API コストなしで即座に結果を返します。キャッシュにヒットしなかった場合、サーバーは Promise.all を介して、要求されたすべてのソースに並列でリクエストを送信し、各 Apify アクターを 180 秒のタイムアウトで呼び出して、最大 500 件のデータセット項目を取得します。

7 つのソースアクターは、ryanclinton/company-deep-research、ryanclinton/edgar-filing-search、ryanclinton/finnhub-stock-data、ryanclinton/gleif-lei-lookup、ryanclinton/trustpilot-review-analyzer、ryanclinton/cfpb-consumer-complaints、ryanclinton/wikipedia-article-search です。

フェーズ 2：企業ネットワークの組み立て

すべてのソースからの生データは buildCorpNetwork() に渡され、型付きの CorpNode オブジェクトと CorpEdge オブジェクトで構成されるグラフが作成されます。ノードは、企業（調査結果から最大 40 件）、提出書類（最大 60 件）、株式（最大 40 件）、LEI エンティティ（最大 30 件）、レビュー（最大 40 件）、苦情（最大 40 件）、Wikipedia の記事（最大 20 件）に対して作成されます。重複排除にはノード ID をキーとする Set<string> を使用し、複数のソースから同じ企業ノードが重複して作成されるのを防ぎます。

エッジは名前の照合ヒューリスティックに基づいて作成されます。企業名の先頭 8～10 文字を、他のソースタイプのノード名と照合して関係を判定します。エッジの重みは信頼度を表します。trades_as（0.9、最高）、filed_by（0.8）、complained_about と identified_by（0.7）、reviewed_on（0.6）、described_in（0.5）です。

フェーズ 3：スコアリングと分析

各ツールのスコアリング関数は、組み立てられた CorpNetwork を処理します。関数はエッジをたどって企業ごとに関連ノードを収集し、それぞれの計算式を適用します。

• assessFinancialHealth() — 株式ノードのスコアを取得し、提出書類とのエッジ数を数え、株式のメタデータから marketCap を読み取ります
• detectReputationRisk() — レビューノードのスコア（0～1 に正規化）の平均を取り、苦情ノードの数を数えます
• analyzeFilingPatterns() — 提出書類の日付間隔をミリ秒単位で計算し、標準偏差と平均の比率を異常スコアとして導き出します
• scoreCorporateGovernance() — 10-K および 10-Q の様式タイプ文字列があるか、LEI ノードおよび記事ノードが存在するかを確認します
• assessInvestmentRisk() — 4 つのリスク指標を固定の重みで組み合わせます
• generateDeepResearchReport() — ネットワーク内の件数にしきい値ルールを適用します（苦情が 5 件を超えると重大な指摘、低評価のレビューが 3 件を超えると高リスクの指摘）

フェーズ 4：トランスポートと課金

サーバーは SSE（/sse + /messages）と Streamable HTTP（/mcp）の両方のトランスポートに対応しています。各ツール呼び出しでは、結果を返す前に Actor.charge() が実行されます。支出上限に達した場合、サーバーは例外をスローする代わりに、構造化されたエラー JSON を返し、エージェントのワークフローの安定性を維持します。サーバーは Apify Standby モードで実行され、コールドスタートのオーバーヘッドなしで複数のツール呼び出しを処理できる状態を保ちます。

最良の結果を得るためのヒント

1. 最初に generate_deep_research_report を使用してください。 7 つすべてのソースを照会し、深刻度順に並べた調査結果を返します。特定の観点を詳しく調べる必要がある場合にのみ、個別のツールを使用してください。

2. ソースを絞り込んでコストとレイテンシーを抑えてください。 analyze_filing_patterns を ["filings"] のみで呼び出す場合、所要時間は約 30 秒で、コストは $0.04 です。7 つのソースを使う generate_deep_research_report の所要時間は 2～3 分です。緊急度に応じてソースを選択してください。

3. 上場企業にはティッカーシンボルを使用してください。 "Apple Inc" ではなく "AAPL" を照会すると、これらのソースはティッカーでインデックスを作成しているため、EDGAR と Finnhub で一致の精度が向上します。非公開企業の場合は、正式な法人名を使用してください。

4. 複数ステップのエージェントワークフローでは、ツールを連携させてください。 まず map_corporate_intelligence を呼び出して利用可能なデータを把握し、その後、特定のツールを指定してください。出力のグラフ構造から、どのデータソースが有用な結果を返したかがわかります。

5. 取引先のスクリーニングと組み合わせてください。 サードパーティリスクを調べる場合は、このサーバーを Counterparty Due Diligence MCP と組み合わせると、このサーバーの財務インテリジェンスに制裁対象、ネガティブメディア、PEP のチェックを追加できます。

6. 大規模な一括スクリーニングに使用する実行には、Apify の支出上限を設定してください。 エージェントが多数の企業を順に処理する場合は、Apify Console で実行ごとの支出上限を設定し、コストが際限なく増加しないようにしてください。

7. ポートフォリオの週次モニタリングをスケジュールしてください。 Apify Schedules と webhook を使用して、結果を Slack チャンネルまたはダッシュボードに POST します。assess_investment_risk の構造化 JSON 出力は、リスクレベルの変化を自動で通知するのに適しています。

他の Apify アクターおよび MCP サーバーとの組み合わせ

アクター／MCP サーバー	組み合わせ方
Counterparty Due Diligence MCP	財務インテリジェンスに KYB 制裁対象のスクリーニング、ネガティブメディア、PEP のチェックを追加し、サードパーティリスクを網羅的に把握します
Corporate Political Exposure MCP	このサーバーのガバナンススコアに政治リスクとロビー活動への関与データを重ね合わせます
Brand Narrative Intelligence MCP	メディアの論調分析とブランドに対する感情の傾向を加え、評判リスクの検出を拡張します
Competitive Digital Intelligence MCP	企業の財務健全性データと競合のデジタル上の状況を組み合わせ、競合企業の全体像を把握します
Trustpilot Review Analyzer	MCP が集約する内容に加え、トピック別の感情やレビュー投稿頻度の傾向など、レビューをさらに詳しく分析します
CFPB Consumer Complaints	件数ベースのシグナルだけではわからない苦情を詳しく分析するため、説明文を含む苦情の全記録を取得します
EDGAR Filing Search	MCP が公開する上限 60 件を超える、提出書類の全文、添付資料、XBRL データにアクセスします

制限事項

• 非公開企業の財務データは限られています。 EDGAR の提出書類と Finnhub の株価データは、米国の上場企業を中心としています。非公開企業では、株価と提出書類のノードが空になる場合があり、財務健全性スコアと投資リスクスコアが大幅に低下します。ガバナンス評価では、SEC への提出義務がない、適切に経営されている非公開企業の品質が過小評価されます。
• ソースデータの品質は上流の提供元に依存します。 スコアリングの精度は、7 つの上流アクターから返されるデータの品質に左右されます。GLEIF LEI がクエリに対して結果を返さない場合、実際には別の名称表記で正規に登録されている事業体であっても、LEI がないとしてガバナンススコアが減点されます。
• 名称の照合は概算です。 グラフの構築では、ソース間のノードをリンクするために、先頭 8～10 文字の部分文字列照合を使用します。一般的な会社名の接頭辞によって、誤ったエッジが接続されることがあります。誤ったリンクを最小限に抑えるには、具体的で一意な会社名またはティッカーシンボルを使用してください。
• 上流のタイムアウトは 180 秒です。 上流アクターの応答に 3 分以上かかる場合、そのソースは空の配列を返します。CFPB の応答が遅いと、エラーではなく、レピュテーションリスクスコアが 0（実際より不当に低い値）になります。
• 5 分間のキャッシュは、単一のサーバーインスタンス内で共有されます。 インメモリー TTL キャッシュは、Standby の再起動後も保持されません。再起動後は、各企業に対する最初のクエリで、ソースデータ取得のコストがすべてかかります。
• 各ソースの項目数は最大 500 件です。 SEC 提出書類が数百件、苦情が数千件にのぼる大企業（大手銀行など）の場合、500 件の上限により、ネットワークに反映されるのは提出書類と苦情の直近の一部のみです。
• CFPB データの対象は米国の金融機関のみです。 非金融企業および米国外の企業は、CFPB の苦情データが返されません。そのため、これらの事業体のレピュテーションリスクにおける苦情スコアの構成要素は 0 になります。
• XBRL や財務諸表の解析には対応していません。 財務健全性スコアでは、時価総額と提出書類の件数を代理指標として使用します。貸借対照表、損益計算書、キャッシュフローデータの解析は行いません。詳細な財務モデリングには、EDGAR アクターを直接使用してください。

インテグレーション

• Claude Desktop — claude_desktop_config.json を使用して接続し、Claude で対話型の企業デューデリジェンスを実施します
• Cursor / Windsurf — IDE のワークフローに企業インテリジェンスを組み込み、AI 支援による分析を行います
• Apify API — 任意の HTTP クライアント、CI/CD パイプライン、または社内アプリケーションからプログラムでツール呼び出しを実行します
• Webhooks — スケジュール実行の完了時に、リスクスコアの変化を Slack、Teams、または社内のアラートシステムに送信します
• Zapier — 新しい CRM エントリーをきっかけに企業調査を開始し、調査結果を HubSpot、Salesforce、または Google Sheets に送信します
• Make (Integromat) — ベンダー審査のワークフローを自動化します：新しいベンダーの追加 → 調査の開始 → ガバナンススコアを調達チームに送信
• LangChain / LlamaIndex — このサーバーを、RAG パイプラインやマルチエージェント型調査ワークフローの企業インテリジェンスツールとして使用します

トラブルシューティング

ツールから空の assessments 配列または risks 配列が返されます。 企業グラフに会社ノードがありませんでした。クエリ文字列がソースデータ内のエンティティ名と一致しない場合に発生します。より具体的なクエリを試してください。正式な社名またはティッカーシンボルを使用してください。その会社が非公開企業かどうかも確認してください（SEC の提出データが存在しない可能性があります）。

generate_deep_research_report が、調査結果なしで overallRisk: "low" を返します。 調査結果エンジンには最低しきい値が適用されます。苦情には5件超、低評価のレビューには3件超、LEI 欠落には2社超の記録が必要です。データが少ない小規模企業では、リスクが存在していても、すべてのしきい値に達しないことがあります。スコアに基づく評価には、assess_investment_risk を直接使用してください。

有名企業なのに財務健全性スコアが低すぎるように見えます。 健全性スコアの算出では株価を500で割った値を価格シグナルとして使用するため、500ドルを超える株価は1.0、50ドル未満の株価は0.1になります。これは相対的なシグナルであり、絶対的な評価額ではありません。より全体像を把握するには、score_corporate_governance と trace_corporate_identity を組み合わせてください。

Claude Desktop でツール呼び出しがタイムアウトします。 7つのソースを取得する場合、各ツール呼び出しには最大3分かかることがあります。Claude Desktop のタイムアウト時間がそれより短い場合は、応答を速めるため sources 配列を2～3個のソースに減らすか、analyze_filing_patterns のようにデフォルトのソース数が少ないツールを使用してください。

支出上限に達したというエラーが表示されます。 Apify の実行が、設定済みの支出上限に達しました。Apify Console のアクター実行設定で上限を引き上げるか、月間予算の割り当てを増やして定期実行を設定してください。

責任ある利用

• このサーバーがアクセスするのは、公式登録機関（SEC EDGAR、GLEIF）の公開企業データ、ライセンス取得済みの市場データ（Finnhub）、および一般にアクセス可能なプラットフォーム（Trustpilot、Wikipedia）のデータのみです。
• CFPB の苦情データは、米国 FOIA の原則に基づいて公開されている政府データセットです。
• 資格を有する金融および法律の専門家に相談せずに、企業の信用力、支払能力、または法令遵守について、裏付けのない主張をする目的で出力を使用しないでください。
• このデータに基づく投資判断には、ライセンスを有するファイナンシャルアドバイザーを関与させてください。このサーバーが提供するのはインテリジェンスのインプットであり、投資助言ではありません。
• 商業的なデューデリジェンスプロセスで出力を使用する場合は、適用されるデータ規制を遵守してください。
• ウェブスクレイピングとデータの適法性に関するガイダンスについては、Apify の法的ガイドをご覧ください。

❓ よくある質問

Corporate Deep Research は、1回のツール呼び出しで何社を調査できますか？ 各ツール呼び出しでは単一の query 文字列を指定し、選択したすべてのソースを横断して、その会社を調査します。企業ネットワークには、提出書類や調査データで見つかった関連エンティティが含まれる場合があり、通常は5～30個の会社ノードが、1回あたり0.04ドルでまとめてスコアリングされます。互いに関連のない10社を調査するには、個別に10回呼び出してください。

企業インテリジェンスデータはどの程度最新ですか？ Finnhub の株式データはクエリ時にライブ取得されます。EDGAR のデータは最新の公開済み提出書類を反映します（通常、SEC による公開から24時間以内です）。GLEIF の LEI データは現在の登録状況を反映します。Trustpilot と CFPB のデータは、各プラットフォームの現在の状況を反映します。Company Deep Research はウェブデータをライブ取得します。TTL キャッシュは5分間有効なため、5分以内に繰り返されたクエリにはキャッシュ済みの結果が返されます。

企業のディープリサーチは非公開企業にも対応していますか？ 一部対応しています。Company Deep Research、Trustpilot のレビュー、CFPB の苦情、Wikipedia、GLEIF の LEI はいずれも非公開企業を対象としています。SEC の提出データと Finnhub の株式データは、上場企業に限られます。財務シグナルが不足するため、非公開企業の財務健全性スコアと投資リスクスコアは信頼性が低くなります。 企業のガバナンス評価はどの程度正確ですか？ ガバナンス評価は、10-K 提出書類、10-Q 提出書類、LEI 登録、Wikipedia での掲載状況という、確認可能なシグナルに基づいています。測定するのは開示要件への準拠と登録簿への掲載状況であり、実際のガバナンスの質ではありません。公開データからは把握できない実際のガバナンス上の問題があっても、企業が A 評価を獲得することがあります。また、民間企業は SEC への提出義務がないため、単にその理由で F 評価になることがあります。

Corporate Deep Research MCP で米国以外の企業も調査できますか？ はい。Finnhub は世界の株式を対象としています。GLEIF LEI は、200 以上の管轄区域の事業体を対象とするグローバルスタンダードです。Wikipedia は国際的な情報を掲載しています。Company Deep Research はウェブ全体から情報を収集します。SEC EDGAR は米国中心ですが、外国の民間発行体も対象としています。CFPB の苦情データは、米国の金融機関のみを対象としています。

Bloomberg Terminal や PitchBook とはどう違いますか？ Bloomberg と PitchBook は、金融データベース、アナリストによる調査、独自データのライセンスを備えたプロ向けデータプラットフォームです。このサーバーは、公開情報源とオープンな登録簿からデータを集約します。Bloomberg は月額 2,000 ドル以上かかるのに対し、こちらはクエリ 1 回あたり 0.04 ドルです。人間のアナリストが UI を操作するのではなく、AI エージェントのワークフローとプログラムからのアクセスを目的として設計されています。詳細なプロ向け調査プラットフォームの代替ではなく、自動化された一次スクリーニングとしてご利用ください。

企業のディープリサーチでは、企業名の表記揺れをどのように処理しますか？ グラフの構築では、最初の 8～10 文字の部分文字列を照合して、ソース間のエンティティを関連付けます。企業が複数の名称で知られている場合（例：「Meta」と「Facebook」）、EDGAR の提出書類に記載されている可能性が最も高い名称（通常は正式な法人名）でクエリを実行してください。trace_corporate_identity ツールを使うと、ソース間で見つかった別名を確認できます。

このデータを投資調査に使うことは合法ですか？ すべてのデータソースは一般公開されています。EDGAR、GLEIF、CFPB は政府が運営する公開データベースです。Trustpilot は一般公開されています。公開データを投資調査に使用することは、標準的な慣行です。このサーバーは投資助言を提供するものではありません。出力は、資格を持つ金融専門家が利用する情報として扱ってください。詳しくは、Apify の法的ガイドをご覧ください。

このサーバーを使って、ポートフォリオの自動モニタリングをスケジュールできますか？ はい。Apify Schedules を使って、ポートフォリオに含まれる企業のリストに対し、assess_investment_risk を毎日または毎週実行するよう設定できます。Webhook と組み合わせれば、リスクレベルの変化を Slack やポートフォリオ管理システムに送信できます。構造化された JSON 出力は、自動処理を想定して設計されています。

7 つの上流ソースのいずれかが失敗したり、タイムアウトしたりするとどうなりますか？ 各ソースは、180 秒のタイムアウトを設定して個別に取得されます。上流の Actor が失敗したり、タイムアウトしたりした場合、そのソースは空の配列を返し、残りのソースを使ってネットワークが構築されます。ツールの呼び出しは失敗せず、利用可能なデータに基づくスコアを返します。影響を受ける評価項目（たとえば、レビューの取得に失敗した場合の評判リスク）には、デフォルト値または中立値が反映されます。

この MCP サーバーを LangChain や LlamaIndex のエージェントで使えますか？ はい。このサーバーには、MCP 互換クライアントであれば接続できます。LangChain と LlamaIndex は MCP ツールの使用をサポートしています。Apify トークンを Bearer ヘッダーとして指定し、https://corporate-deep-research-mcp.apify.actor/mcp に接続してください。8 つのツールが、エージェントのツールレジストリから呼び出せる関数として利用可能になります。

大規模な調査ワークフローでコストを予測可能にするには、どうすればよいですか？ Apify Console で、実行ごとの支出上限を設定してください。上限に達すると、サーバーは未処理のエラーをスローするのではなく、{"error": true, "message": "Spending limit reached for ..."} を返します。エージェントはこの結果を捕捉して、処理を一時停止できます。1 回あたり 0.04 ドルのため、100 回の呼び出しで 4.00 ドルとなり、予算を立てやすい予測可能な単価です。

改善にご協力ください

問題が発生した場合、Apify アカウントで実行の共有を有効にすると、より迅速なデバッグにご協力いただけます。

1. アカウント設定 > プライバシーに移動します
2. 公開 Actor 作成者と実行を共有するを有効にします

これにより、問題が発生した際に実行の詳細を確認できるため、より迅速に問題を修正できます。お客様のデータは Actor の開発者にのみ表示され、公開されることはありません。

サポート

バグを見つけた場合や機能のリクエストがある場合は、この Actor のページにあるIssues タブで issue を作成してください。カスタムの企業インテリジェンスソリューションやエンタープライズ向けの統合については、Apify プラットフォームからお問い合わせください。