Civilizational Fragility MCP Server

文明脆弱性 MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速入门

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "civilizational-fragility-mcp": {
      "url": "https://ryanclinton--civilizational-fragility-mcp.apify.actor/mcp"
    }
  }
}

---

面向 AI Agent 的文明脆弱性评估——此 MCP 服务让 Claude、GPT-4 以及任何兼容 MCP 的 Agent 能够分析跨领域级联崩溃风险，分析由 17 个实时数据源和 10 种数学框架提供支持。专为研究人员、国家安全分析师、机构风险团队以及需要基于可靠数据、以量化方式回答有关系统性崩溃、临界点和跨领域传染问题的 AI 系统打造。

该服务以始终在线的 Apify Standby actor 运行，并通过模型上下文协议提供 8 种专业工具。每次工具调用都会并行启动 17 个 actor，覆盖 FRED、IMF、World Bank、NOAA、FEMA、USGS、GDACS、OpenAQ、NVD、CISA KEV、WHO、ClinicalTrials.gov、Congress Bills、Federal Register 和 OFAC Sanctions；随后将收集到的数据通过一系列算法进行处理：层上同调、Kaneko 耦合映射格子、Vietoris-Rips 持久同调、Conley 指数、Dec-POMDP 干预规划、Shapley 分解、Leontief 投入产出分析、均场博弈、高斯过程和 Moran 演化动力学。输出为结构化的脆弱性报告，其中包含领域级压力评分、风险等级、临界点接近度图以及按优先级排列的干预建议。

可以访问哪些数据？

数据点	来源	覆盖范围
📊 经济时间序列	FRED Economic Data	80 万多个美国／全球序列
📉 劳动力市场指标	BLS Economic Data	美国就业、CPI、工资
🌐 全球宏观指标	IMF Data	190 个国家
🏦 发展与贫困指标	World Bank Data	200 多个国家
📋 OECD 经济统计数据	OECD Statistics	38 个成员国
🌩 天气与气候事件	NOAA Weather	美国及全球
🚨 灾害声明	FEMA Disaster Search	美国所有已宣布的灾害
🌍 地震事件	USGS Earthquake Search	全球，实时
⚠️ 多灾种灾害警报	GDACS	全球，近实时
🌫 空气质量读数	OpenAQ	全球监测站
🔓 CVE 漏洞数据库	NVD CVE Search	完整 CVE 历史记录
🛡 已遭实际利用的漏洞	CISA KEV Catalog	已确认在实际环境中遭利用
🏥 全球健康指标	WHO GHO	1,000 多个健康序列
🧪 临床试验活动	ClinicalTrials.gov	已注册试验
🏛 美国联邦立法	Congress Bill Tracker	众议院 + 参议院法案
📜 监管行动	Federal Register Search	联邦规则与公告
🚫 制裁与指定名单	OFAC Sanctions Search	SDN 名单 + 计划

为什么使用此 MCP 服务进行文明脆弱性评估？

手动开展多领域风险评估，意味着要从十几个彼此独立的 API 中提取数据、规范化互不兼容的架构、选择用于跨领域耦合的数学框架，还要花数周分析；等报告写完时，分析结果往往已经过时。商业风险情报平台每年收费 15,000–50,000 美元，提供的却是无法响应实时查询的静态报告。

此 MCP 服务可自动完成整个分析流程。AI Agent 只需调用一次工具；服务便会并行从全部 17 个数据源获取最新数据，根据原始指标构建领域节点和耦合边，并依次运行 10 种算法，在几分钟内生成结构化风险报告。无需管理 API 密钥，无需维护数据管道，也无需重新训练模型。

平台优势：

• 待机模式 — 服务始终处于就绪状态；工具调用可立即连接，无冷启动延迟
• 并行获取数据 — 全部 17 个 Actor 调用同时运行；数据收集只需 2–4 分钟，而非数小时
• API 访问 — 可通过任何兼容 MCP 的 AI 客户端触发工具调用：Claude Desktop、Cursor、Cline 或自定义 Agent
• 按次付费 — 无需订阅；只为实际发起的工具调用付费
• 监控 — 通过 Apify 内置的运行监控配置 Slack 或电子邮件错误提醒
• 集成 — 可连接 Zapier、Make、webhook，或直接调用 Apify API 进行程序化访问

功能

• 一个服务中集成 10 种数学框架 — 评分引擎实现了层上同调、Kaneko 耦合映射格、Vietoris-Rips 持久同调、Conley 指数、Dec-POMDP、Shapley 分解、Leontief 投入产出分析、平均场博弈、高斯过程和 Moran 过程
• 层上同调 H^1 障碍检测 — 识别局部领域评估无法在全局上粘合的情况；较高的 H^1 表示各领域间存在无法调和的不一致风险信号
• Kaneko 耦合映射格，支持配置 logistic r 参数（默认值为 3.8，处于混沌区间）；追踪各领域的 Lyapunov 指数、同步指数，以及压力超过临界阈值时发生的级联事件
• Vietoris-Rips 持久同调 — 计算 Betti 数 beta_0（独立风险簇）和 beta_1（循环依赖）；持久图中的长寿命区间表示结构性脆弱性，而非瞬时噪声
• Conley 指数 Morse 分解 — 在领域状态空间中分离吸引子和排斥子；排斥子数量可直接反映脆弱程度
• Dec-POMDP 干预规划器 — 将每个领域建模为一个 Agent，从 {do_nothing, monitor, mitigate, emergency_response} 中进行选择，并通过信念空间值迭代求解；输出最优策略、总成本／收益，以及各领域的信息价值
• 含交互指数的 Shapley 分解 — 使用完整 Shapley 公式计算各领域对整体脆弱性的边际贡献；成对交互指数可揭示具有协同效应的领域组合
• Leontief 非线性投入产出分析 — 绘制全部 6 个领域间的资源流瓶颈及前向／后向关联；系统乘数用于量化放大效应
• 平均场博弈（耦合 HJB + Fokker-Planck） — 对疫情与经济反馈回路建模；输出纳什均衡状态、疫情峰值、经济低谷及密度演变
• 采用 Matern 5/2 核的高斯过程 — 对各领域的压力值进行空间回归；通过对数边际似然优化超参数；量化空间相关结构
• Moran 演化过程 — 在可配置的代数范围内模拟 10,000 个机构参与者；固定概率和稳态分布可揭示机构的长期优势
• 6 个领域的架构 — 将经济、气候、健康、网络安全、治理和环境建模为耦合的 DomainNode 对象，具有 stressLevel、fragility 和 resilience 属性
• 并行查询 17 个数据源 — FRED、BLS、IMF、World Bank、OECD、NOAA、FEMA、USGS、GDACS、OpenAQ、NVD、CISA KEV、WHO、ClinicalTrials、Congress Bills、Federal Register、OFAC
• 风险等级输出 — 根据综合 overallFragility 分数得出 A 到 F 的字母等级，便于快速传达风险
• 结构化建议 — 每份报告都包含 topRisks 和 recommendations 数组，可直接用于 Agent 推理链

文明脆弱性评估的应用场景

国家安全与战略情报

国防研究团队和智库使用 assess_cascading_fragility 生成季度风险简报，同时涵盖经济、地缘政治、健康和环境领域。Dec-POMDP 工具的输出可直接用于资源分配决策：确定监测投资的投向，以及何时升级为应急响应状态。

预警系统开发

构建自动化预警系统的团队会将 detect_tipping_proximity 嵌入每日或每周运行的计划任务管道。Lyapunov 指数大于零表示领域动态处于混沌状态；层上同调障碍高于 0.5 则表示风险图景已不再保持全局一致。这两种信号都会早于传统指标变化而触发。

学术与机构研究

研究系统性风险、复杂性经济学和社会技术崩溃的研究人员使用 simulate_multiplex_cascade 和 track_persistent_homology，为论文和模型生成定量输入。Vietoris-Rips 过滤输出和 Betti 数时间序列可直接在拓扑数据分析文献中解读。

面向宏观风险推理的 AI Agent 增强

配置了此 MCP 服务的 AI 编码助手和研究 Agent，可以利用实时且有依据的数据，而非训练时的知识，回答“哪个领域最接近临界点？”或“根据当前脆弱程度，最佳干预顺序是什么？”等问题。结构化 JSON 输出针对 Agent 使用进行了优化。

长期机构战略

战略团队和情景规划人员使用 forecast_civilizational_trajectory，了解在当前条件下哪些治理策略在演化上稳定。Moran 过程的固定概率和均值场博弈纳什均衡输出，可量化哪些机构方法在长期内占据主导地位。

因果路径与瓶颈分析

运筹学研究人员和供应链分析师使用 causal_cross_domain_query，通过 Leontief I-O 追踪领域之间的资源流动瓶颈。系统乘数揭示了一个领域中的单位冲击会在网络中放大多少倍。高斯过程空间相关矩阵则显示哪些领域在压力分布中具有统计上的共址关系。

如何连接此 MCP 服务

Claude Desktop

将以下内容添加到你的 claude_desktop_config.json 中：

{
  "mcpServers": {
    "civilizational-fragility": {
      "url": "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN"
    }
  }
}

Cursor

将以下内容添加到你的 .cursor/mcp.json 中：

{
  "mcpServers": {
    "civilizational-fragility": {
      "url": "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN"
    }
  }
}

Cline / VS Code

添加到你的 Cline MCP 设置中：

{
  "mcpServers": {
    "civilizational-fragility": {
      "url": "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN"
    }
  }
}

将 YOUR_APIFY_TOKEN 替换为你从 Apify Console > Settings > Integrations 获取的令牌。

MCP 工具

工具	最适用于	预估成本
assess_cascading_fragility	汇总全部 10 种算法的完整报告	$300–500
detect_tipping_proximity	预警；识别最接近临界转变的领域	$200–350
simulate_multiplex_cascade	冲击传播建模；韧性情景测试	$200–300
compute_domain_shapley	归因分析；识别对脆弱性影响最大的领域	$200–300
plan_intervention_decpomdp	资源分配；制定最优干预策略	$200–300
causal_cross_domain_query	瓶颈追踪；量化跨领域反馈	$200–350
track_persistent_homology	拓扑风险结构；持久与瞬态特征	$200–300
forecast_civilizational_trajectory	长期机构演化与轨迹	$200–350

工具参数

参数	类型	默认值	描述
query	字符串	"global risk assessment"	用于在全部 17 个参与方中收集数据的重点查询
cml_time_steps	数字	200	耦合映射格模拟步数（所有工具）
cml_logistic_r	数字	3.8	Logistic 映射的 r 参数；>3.57 表示混沌状态
planning_horizon	数字	5	Dec-POMDP 规划时域步数
population_size	数字	10000	Moran 过程总体规模（仅适用于轨迹预测工具）
generations	数字	500	Moran 演化代数（仅适用于轨迹预测工具）

输入提示

• 针对聚焦数据使用具体查询 — 与通用默认查询相比，"climate economic cascading risk 2026" 能获取更多相关的 IMF、World Bank 和 NOAA 记录
• 标准分析时将 logistic_r 保持为 3.8 — 高于 3.9 的值会提高对混沌的敏感度；低于 3.57 的值会产生周期性（非混沌）CML 行为
• 先运行 detect_tipping_proximity，再运行 assess_cascading_fragility — 前者成本较低，并能识别值得深入调查的领域
• 进行多年情景规划时，将 planning_horizon 增至 10；默认值 5 用于模拟近期干预序列
• 需要为干预支出提供依据时，先运行 compute_domain_shapley；Shapley 值可以精准识别影响最大的领域

输出示例

assess_cascading_fragility 的典型响应：

{
  "overallFragility": 0.67,
  "riskGrade": "C",
  "topRisks": [
    "Elevated sheaf H1 obstructions (0.42) indicate inconsistent cross-domain risk signals — local assessments for cyber and economic domains cannot be reconciled globally",
    "Positive Lyapunov exponents in cyber (0.31) and governance (0.18) signal chaotic dynamics — small shocks can cascade non-linearly",
    "Leontief system multiplier 2.14 indicates each unit of domain stress amplifies 2.14x across the network"
  ],
  "recommendations": [
    "Priority 1: Mitigate cyber domain — Shapley value 0.28 makes it the dominant fragility contributor",
    "Priority 2: Monitor governance domain — positive Lyapunov exponent with second-highest Shapley value (0.21)",
    "Priority 3: Emergency response posture for health — Dec-POMDP optimal action given planning horizon 5"
  ],
  "domains": [
    { "id": "cyber", "name": "Cybersecurity", "stress": 0.74, "fragility": 0.71, "resilience": 0.29 },
    { "id": "economic", "name": "Economics", "stress": 0.58, "fragility": 0.61, "resilience": 0.42 },
    { "id": "governance", "name": "Governance", "stress": 0.63, "fragility": 0.65, "resilience": 0.35 },
    { "id": "health", "name": "Health", "stress": 0.51, "fragility": 0.55, "resilience": 0.48 },
    { "id": "climate", "name": "Climate", "stress": 0.47, "fragility": 0.49, "resilience": 0.54 },
    { "id": "environment", "name": "Environment", "stress": 0.44, "fragility": 0.46, "resilience": 0.58 }
  ],
  "sheafH1": 3,
  "globalConsistency": 0.62,
  "cmlSynchronization": 0.38,
  "cascadeEvents": 7,
  "betti0": 2,
  "betti1": 1,
  "attractors": 3,
  "repellers": 2,
  "shapleyDominant": "cyber",
  "leontiefMultiplier": 2.14,
  "nashEquilibrium": false,
  "moranDominant": "monitor",
  "report": {
    "overallFragility": 0.67,
    "riskGrade": "C",
    "sheafCohomology": { "h0": 1, "h1": 3, "globalConsistency": 0.62 },
    "persistentHomology": { "betti0": 2, "betti1": 1, "totalPersistence": 1.84, "stabilityScore": 0.51 },
    "conleyIndex": { "attractorCount": 3, "repellerCount": 2 },
    "shapley": { "dominantDomain": "cyber", "totalFragility": 0.67 },
    "leontief": { "systemMultiplier": 2.14, "bottlenecks": ["cyber", "governance"] },
    "meanField": { "nashEquilibrium": false, "epidemicPeak": 0.34, "economicTrough": -0.19 }
  }
}

输出字段

字段	类型	描述
overallFragility	number (0–1)	所有领域和算法的综合脆弱性评分
riskGrade	string (A–F)	根据 overallFragility 得出的字母等级
topRisks[]	string[]	面向 Agent 推理的易读主要风险描述
recommendations[]	string[]	按优先级排序的干预建议
domains[].id	string	领域标识符（cyber、economic、governance、health、climate、environment）
domains[].stress	number (0–1)	根据实时数据得出的当前领域压力水平
domains[].fragility	number (0–1)	该领域的结构性脆弱程度
domains[].resilience	number (0–1)	该领域吸收冲击并从中恢复的能力
sheafH1	number	H^1 障碍环计数——跨领域信号不一致
globalConsistency	number (0–1)	1 减去归一化 H^1；值越高，整体一致性越强
cmlSynchronization	number (0–1)	CML 同步指数；值越低，级联风险越可能因失步而增加
cascadeEvents	number	CML 模拟中的级联事件数量
betti0	number	Betti-0：最终过滤尺度下的独立风险簇数量
betti1	number	Betti-1：最终过滤尺度下的循环依赖数量
attractors	number	Conley 指数吸引子数量（稳定平衡态）
repellers	number	Conley 指数排斥子数量（不稳定平衡态——脆弱性信号）
shapleyDominant	string	Shapley 脆弱性贡献最高的领域
leontiefMultiplier	number	Leontief I-O 得出的全系统放大系数
nashEquilibrium	boolean	均值场博弈是否已达到纳什均衡
moranDominant	string	Moran 演化过程中的主导制度策略
lyapunovExponents	Record<string,number>	各领域的 CML Lyapunov 指数；正值表示混沌
tippingProximity	Record<string,number>	各领域的临界点接近度评分（detect 工具）
optimalPolicy[]	object[]	Dec-POMDP 按领域推荐的行动及其成本/收益
valueOfInformation	Record<string,number>	各领域的 VOI，用于指导监测投资分配
domainContributions	Record<string,number>	各领域的 Shapley 值
interactionIndices	Record<string,Record<string,number>>	领域两两协同矩阵
fixationProbabilities	Record<string,number>	各制度策略的 Moran 固定概率
stationaryDistribution	number[]	制度策略的长期分布
leontiefBottlenecks	string[]	被识别为资源流瓶颈的领域
spatialCorrelation	number[][]	GP Matern 5/2 空间相关矩阵
gpHyperparameters	object	GP 长度尺度、信号方差、噪声方差

开展文明脆弱性评估的成本是多少？

此 MCP 服务采用按事件付费定价——每次工具调用均需付费。每次工具调用都会并行从全部 17 个参与方获取数据；费用包括底层参与方的计算成本和 MCP 服务自身的平台成本。

场景	工具调用次数	单次调用费用	总费用
快速测试（detect_tipping_proximity）	1	约 $0.04	约 $0.04
每周监控	4	约 $0.04	约 $0.16
完整脆弱性评估（assess_cascading_fragility）	1	约 $0.04	约 $0.04
每月研究工作流	20	约 $0.04	约 $0.80
机构每日监控	90	约 $0.04	约 $3.60

注意：上述按事件收取的费用仅涵盖 MCP 服务的事件费用。底层 17 次参与方调用会分别消耗 Apify 平台额度——每次完整的 assess_cascading_fragility 运行需预留 $5–30，具体取决于返回的数据量。你可以为每次运行设置最高支出限额，以限制总成本。达到预算后，参与方将停止运行。

Apify 免费套餐每月包含 $5 的平台额度——在产生任何费用之前，足以免费运行若干次完整评估。相比之下，机构风险平台提供的是静态、不可查询的报告，年费高达 $15,000–$50,000。

使用 API

MCP 服务以 Apify Standby 模式运行，可通过其公开的 actor URL 访问。你也可以使用 Apify API 以编程方式触发它。

Python

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

# Start the MCP server actor in standby mode and query it via MCP
# Or call it as a regular actor run for health checks
run = client.actor("ryanclinton/civilizational-fragility-mcp").call(run_input={})

print(f"Server status: {run['status']}")
print(f"MCP endpoint: https://civilizational-fragility-mcp.apify.actor/mcp")

# For direct MCP tool calls, use an MCP client library pointed at the endpoint:
# url = "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN"

JavaScript

import { ApifyClient } from "apify-client";

const client = new ApifyClient({ token: "YOUR_API_TOKEN" });

// Health check / actor start
const run = await client.actor("ryanclinton/civilizational-fragility-mcp").call({});

console.log(`Server status: ${run.status}`);
console.log(`MCP endpoint: https://civilizational-fragility-mcp.apify.actor/mcp`);

// For MCP tool calls, point any MCP client at:
// https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN

cURL — 直接调用 MCP 工具

# Call the assess_cascading_fragility tool directly via HTTP POST to the MCP endpoint
curl -X POST "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
      "name": "assess_cascading_fragility",
      "arguments": {
        "query": "climate economic cascading risk 2026",
        "cml_time_steps": 200,
        "cml_logistic_r": 3.8,
        "planning_horizon": 5
      }
    }
  }'

# Fetch available tools list
curl -X POST "https://civilizational-fragility-mcp.apify.actor/mcp?token=YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/list","params":{}}'

此 MCP 服务的工作原理

阶段 1：从 17 个来源并行收集数据

调用任意工具时，fetchAllDomainData() 会通过 runActorsParallel() 并发触发 17 次 runActor() 调用。FRED 会收到针对 "GDP inflation unemployment debt" 的固定查询，最多返回 30 条结果；BLS 会收到 CPI/失业率查询；其余 15 个参与方都会收到调用方提供的查询字符串。每次参与方调用都使用 180 秒超时和 256 MB 内存分配。结果以原始条目数组的形式返回。

阶段 2：构建领域节点

scoring.ts 中的 buildDomainNodes() 会将 17 个原始结果数组映射为 6 个 DomainNode 对象（经济、气候、健康、网络安全、治理、环境），并生成一组 CouplingEdge 对象。每个节点都会使用 extractNumber()，根据特定领域的键映射，从原始指标中计算出 stressLevel、fragility 和 resilience 分数。耦合强度（CML 的 epsilon 值）根据跨领域数据量比率计算得出。设定种子的伪随机数生成器（mulberry32）可确保基于相同数据生成可复现的耦合权重。

阶段 3：算法流水线

算法按顺序在节点/边图上运行：

1. 层上同调 — 根据领域节点和边构建单纯复形，计算余边界算子，并通过余边界矩阵的秩-零化度定理统计 H^0 和 H^1。障碍映射记录每条边的不一致值。globalConsistency = 1 - h1 / totalEdges。
2. 耦合映射格 — 对 time_steps 次迭代执行 x_i(t+1) = (1-eps)*f(x_i(t)) + (eps/k)*sum_j(f(x_j(t)))，其中 f(x) = r*x*(1-x)（逻辑映射）。通过绝对雅可比值的对数平均估算 Lyapunov 指数。当任一节点状态超过 0.85 时，记录级联事件。
3. 持久同调 — 在 3D 特征空间（压力、脆弱性、韧性）上构建 Vietoris-Rips 过滤，将成对欧几里得距离作为过滤值。在每个过滤阈值处跟踪 Betti 数。totalPersistence 对区间寿命求和；stabilityScore 使用 Wasserstein 稳定性。
4. Conley 指数 — 围绕 CML 中每个节点的最终状态构建隔离邻域，计算编码 Morse 集之间流动的连接矩阵，并将每个集合分类为吸引子（指数为 0）或排斥子（指数 > 0）。
5. Dec-POMDP — 在 6 个领域 Agent 中运行 planning_horizon 步信念空间值迭代，每个 Agent 从 4 种行动中选择。转移成本和收益因领域而异。信息价值通过完全可观测与部分可观测下的预期策略价值之差计算。
6. Shapley 值 — 通过对所有联盟应用加权边际贡献公式，计算精确的 Shapley 值。成对交互指数用于量化具有协同效应的领域对，其中 I(i,j) = phi(i,j) - phi(i) - phi(j)。
7. Leontief 投入产出 — 根据耦合边权重构建技术系数矩阵 A，求解 x = (I-A)^-1 * d 得到产出向量，并计算每个领域的前向/后向关联。系统乘数是 (I-A)^-1 列和的平均值。
8. 平均场博弈 — 求解用于疫情-经济耦合的耦合 HJB + Fokker-Planck PDE 系统。HJB 价值函数向后迭代；Fokker-Planck 密度向前迭代。当价值函数更新小于 1e-4 时，判定达到 Nash 均衡。
9. 高斯过程 — 使用 Matérn 5/2 核（k(r) = (1 + sqrt(5)*r/l + 5r^2/(3l^2)) * exp(-sqrt(5)*r/l)）对领域压力观测值拟合 GP。通过对核矩阵使用梯度下降来最大化对数边际似然，从而优化超参数（长度尺度、信号方差、噪声方差）。
10. Moran 过程 — 初始化一个由 population_size 个制度参与者组成的种群，其策略分布比例与领域韧性成正比。在每一代中，按适应度比例选择一名参与者进行繁殖；再均匀随机替换一名参与者。使用精确公式 rho = (1-1/r) / (1-1/r^N) 计算固定概率。

阶段 4：报告汇总

computeFragilityReport() 使用固定权重，将全部 10 种算法的贡献合并为单一的 overallFragility 分数：层上 H1（15%）、CML 同步损失（15%）、同调总持久性（10%）、Conley 排斥子占比（10%）、Shapley 最大贡献（15%）、Leontief 乘数归一化（10%）、平均场耦合（10%）、GP 方差（5%）、Moran 固定范围（10%）。riskGrade 将 0–0.2 映射为 A，0.2–0.4 映射为 B，0.4–0.6 映射为 C，0.6–0.8 映射为 D，0.8–1.0 映射为 F。

获得最佳结果的提示

1. 针对关注的领域调整查询。 查询字符串会同时传递给全部 15 个可变 Agent。使用“financial contagion sovereign debt 2026”比通用默认查询能检索到更多相关的 IMF、World Bank 和 FRED 记录，从而直接提升领域节点压力校准的效果。

2. 将 detect_tipping_proximity 用作分流工具。 它的成本低于完整评估，并会返回最具行动价值的信号——哪个特定领域最接近临界转变。先运行它，然后针对标记出的领域使用 simulate_multiplex_cascade 或 plan_intervention_decpomdp。

3. 谨慎解读 Lyapunov 指数。 正指数表示系统处于混沌动力学状态，微小扰动会呈指数级增长。这并不意味着系统即将崩溃，而是表示系统对稳定或 destabilizing 的干预都很敏感。

4. 交叉参考 Shapley 值与 Dec-POMDP 策略。 Shapley 值占主导的领域未必总是优先干预目标。Dec-POMDP 会考虑干预成本和边际收益递减。如果 Shapley 值占主导的领域信息价值较低，将监测投入放在其他领域可能更合适。

5. 将 cml_time_steps 设为 500，以进行全面的级联分析。 默认的 200 步足以估算 Lyapunov 指数，但更长的运行会揭示短时间运行可能遗漏的瞬态级联链，尤其是在接近 r=3.57 分岔边界时。

6. 将 track_persistent_homology 与 simulate_multiplex_cascade 结合使用。 同调输出中持久特征（death − birth > 0.2）可用于识别结构性脆弱点。在级联模拟查询中，将这些特征对应的领域 ID 作为焦点，以对拓扑结构进行压力测试。

7. 使用 forecast_civilizational_trajectory 进行情景规划。 先将 population_size 设为 1000，快速了解趋势方向；再设为 10000，以获得可用于发表的固着概率估算。

8. 在各个规划周期中监测信息价值（VOI）。 随着领域压力水平变化，Dec-POMDP 的 VOI 输出也会改变。应增加对 VOI 较高领域的监测投入；VOI 较低的领域已得到充分了解，无需进行昂贵的数据收集。

与其他 Apify Agent 结合使用

Agent	组合方式
Company Deep Research	为 Shapley 值识别出的主要风险领域补充公司层面的风险敞口报告，以丰富脆弱性评估结果
WHOIS Domain Lookup	将网络领域压力信号与基础设施所有权数据交叉参考，以进行归因分析
SEC EDGAR Filing Analyzer	将经济领域压力信号映射到特定上市公司的风险披露，以评估对投资组合的影响
Trustpilot Review Analyzer	将面向消费者企业的情绪信号叠加到经济领域压力上，以进行实地校准
Website Change Monitor	跟踪 CISA、FEMA 和 WHO 页面变化；这些变化可作为领先指标，先于底层数据源更新
B2B Lead Qualifier	识别在脆弱性评估标记的高压力领域运营的公司，以开展定向拓展
Competitor Analysis Report	将治理领域压力与竞争情报结合，了解各行业的监管冲击风险

局限性

• 不同来源的数据延迟各不相同 — FRED、BLS 和 IMF 的数据可能因发布安排而滞后于现实情况 1–4 周。服务会查询当前数据，但无法回填尚未发布的序列。
• 领域节点的构建基于指标 — 压力评分根据可用的 API 字段（失业率、CVE 数量、灾害公告）计算，不纳入机密情报、专有数据或定性专家判断。
• Dec-POMDP 的计算结果是近似值 — 精确的 Dec-POMDP 属于 NEXP-complete 问题。此实现采用有限时域价值迭代，并将信念状态离散化，是一种可行的近似方法，但可能无法在高不确定性情形下找到最优策略。
• 层上同调障碍表示不一致，而非崩溃 — 较高的 H^1 值意味着无法在全局范围内协调各领域的局部风险评估。这是结构性信号，并非对失败的确定性预测。许多高脆弱性时期并不会导致崩溃事件。
• CML 动力学对分岔边界附近的 logistic r 敏感 — 当 r 接近 3.57 时，微小变化都会导致性质迥异的行为。在用于政策决策前，应针对一系列 r 值测试结果。
• Moran 过程假设选择与适应度成正比 — 现实中的制度变迁具有路径依赖性，受到政治约束的影响，也会受频率依赖选择模型未涵盖的协调机制影响。
• 服务每个参与方最多查询 20–30 条结果 — 对于全球宏观问题，这种抽样可能无法充分覆盖某些数据领域。可通过查询字符串提高 maxResults，以扩大覆盖范围。
• 这不是实时监控服务 — 每次调用工具时都会获取最新数据。服务不会维持持续监控数据流。如需持续监控，请通过 Apify 的调度系统定期安排工具调用。

集成

• Zapier — 按计划触发文明脆弱性评估，并将风险等级推送至 Slack、电子邮件或任何与 Zapier 连接的应用
• Make — 构建自动化情景监控管道，每天调用 detect_tipping_proximity，并在任一领域的临界点评分超过阈值时升级处理
• Google Sheets — 将脆弱性评分和领域压力等级追加到时间序列表格，以便追踪趋势和绘制图表
• Apify API — 通过任何语言以编程方式调用 MCP 端点，将其集成到研究管道、仪表板或 Agent 框架中
• Webhooks — 配置 Webhook，在运行完成或服务遇到错误时通知下游系统
• LangChain / LlamaIndex — 将此 MCP 服务连接到 LangChain Agent 或 LlamaIndex 管道，利用实时数据开展有依据的文明风险推理

故障排除

• 工具调用返回空值或接近于零的领域值 — 一个或多个上游数据采集器可能未能为该查询返回结果。请检查查询字符串是否与目标领域匹配，以及 Apify 平台是否发生故障。尝试使用更宽泛的查询，例如“全球风险”，以确认数据流正常。

• 17 个采集器尚未全部完成，运行就已超时 — 默认情况下，每次采集器调用的超时时间为 3 分钟。在共享基础设施延迟较高时，某些采集器调用可能返回空数组，而不会导致整个运行超时。服务会妥善处理这种情况，根据部分数据构建领域节点。如果关键领域的压力分数为零，请重试调用。

• CML 输出显示所有领域均已同步（synchronizationIndex 接近 1.0） — 当所有领域的压力水平均非常低（低于 0.2），或数据采集返回的指标差异极小时，可能会出现这种情况。这并不表示系统运行良好，也可能意味着数据不足。请使用更具体的查询来提高数据密度。

• Dec-POMDP 最优策略全部为 "do_nothing" — 当所有领域的脆弱性分数都低于 0.3，且没有任何领域的压力高到足以触发监控或缓解阈值时，就会出现这种情况。该输出在技术上正确，但无法指导行动。请使用能产生更高压力数据的查询运行，或增加规划时域。

• 工具响应中出现支出限额错误 — 已达到为采集器运行配置的最高支出限额。请在 Apify Console 的采集器运行设置中提高限额，或在运行配置中设置更高的 maxTotalChargeUsd。

负责任地使用

• 此服务仅查询政府和政府间官方来源公开提供的数据（FRED、BLS、IMF、World Bank、NOAA、FEMA、USGS、WHO、CISA、NVD、ClinicalTrials.gov、Congress.gov、Federal Register、OFAC）。
• 此服务生成的风险评估是根据定量指标得出的模型输出。不应将其作为政策决策、投资行动或国家安全评估的唯一依据。
• 数学脆弱性分数反映公开数据中的统计模式，并不构成对特定事件或崩溃情景的预测。
• 请勿利用输出支持虚假信息传播、市场操纵，或任何可能因歪曲风险而造成损害的活动。
• 如需了解如何负责任地使用自动化风险评估工具，请参阅所在组织的数据治理和 AI 伦理政策。

常见问题

文明脆弱性 MCP 服务每次工具调用会查询多少个数据源？ 全部 8 个工具每次调用都会并行查询全部 17 个数据源：FRED、BLS、IMF、World Bank、OECD、NOAA、FEMA、USGS、GDACS、OpenAQ、NVD、CISA KEV、WHO GHO、ClinicalTrials、Congress Bills、Federal Register 和 OFAC。不支持部分数据源模式，因为跨领域耦合算法要求填充全部 6 个领域节点。

完成一次文明脆弱性评估需要多长时间？ 根据查询的具体程度和平台负载情况，并行调用 17 个采集器进行数据收集约需 2–4 分钟。算法计算（10 个框架）耗时不到 5 秒。从工具调用到获得结构化结果，总耗时通常为 3–6 分钟。

风险等级代表什么，如何计算？ 风险等级（A 到 F）与 overallFragility 分数直接对应：A = 0–0.2，B = 0.2–0.4，C = 0.4–0.6，D = 0.6–0.8，F = 0.8–1.0。该分数是 10 种算法输出的加权组合：层 H^1 障碍（15%）、CML 去同步化（15%）、Shapley 最大贡献（15%）、持久同调总持久度（10%）、Conley 排斥子比例（10%）、Leontief 乘数归一化（10%）、平均场耦合强度（10%）、Moran 固定扩散（10%）和 GP 方差（5%）。 这与 Verisk、Moody's 或 RMS 等现有风险评级服务有何不同？ 传统风险服务会按照固定的发布周期生成静态、专有报告。此服务则可按需生成实时、可查询且透明的算法评估。每个评分公式都以开源 TypeScript 代码实现。所有数据源均为公开数据。数学框架（层论上同调、CML、持久同调）处理的是跨领域耦合结构，而非单一领域指标。在这个价格区间内，不存在同等的开源、可查询、多领域脆弱性工具。

将这些数据用于风险分析和研究是否合法？ 合法。全部 17 个数据源均由美国政府机构（FRED/Fed、BLS、FEMA、USGS、NVD/NIST、CISA、WHO、ClinicalTrials.gov、Congress.gov、Federal Register、OFAC）或政府间组织（IMF、World Bank、OECD、GDACS）运营，这些机构发布数据的目的就是供公众用于研究和分析。OpenAQ 是一个开源空气质量平台。数据的使用受各数据源的服务条款约束，所有条款均允许用于非商业和商业研究。

正的 Lyapunov 指数在实际中意味着什么？ 耦合映射格模拟得出的正 Lyapunov 指数意味着该领域处于混沌动力学状态，附近的初始条件会呈指数级分离。实际而言，微小的政策变化或外部冲击都可能造成难以预测且影响巨大的后果。这表明干预措施应谨慎且可逆，并应提高监测频率。

我可以将此 MCP 服务与任何 AI Agent 框架搭配使用吗？ 可以。此服务使用 @modelcontextprotocol/sdk StreamableHTTP 传输，通过 HTTP 实现 Model Context Protocol（MCP）。任何兼容 MCP 的客户端都可以使用：Claude Desktop、Cursor、Cline、Windsurf、带 MCP 扩展的 VS Code、使用 MCP Python 或 JavaScript SDK 的自定义 Agent，或任何能构造有效 JSON-RPC 2.0 请求的 HTTP 客户端。

领域压力评分有多准确？ 领域压力评分基于可量化的公开指标得出，包括失业率、GDP 增长率、CVE 数量、灾害公告、疾病发病率、空气质量指数和立法活动。这些评分反映了公开数据中可衡量的信息，不包含情报评估、机密数据或专家定性判断。应将其视为需要领域专业知识补充的定量基准，而非独立的绝对真值。

我可以将此 MCP 服务设为自动定期运行评估吗？ 可以。使用 Apify 内置的调度系统，可按任意 cron 计划触发 actor，例如每天、每周或自定义计划。你也可以配置 webhook，在每次运行后自动将结果推送到你的系统；或者使用 Zapier 或 Make 集成，将输出发送到 Slack、电子邮件或数据库。

如果 17 个上游 actor 中有一个发生故障或未返回数据，会怎样？ actor-client.ts 中的 runActor() 函数会捕获所有错误，并返回空数组，而不是抛出异常。buildDomainNodes() 会处理缺失数据，通过降低数据点数量并调整置信权重来构建领域节点。评估仍会基于部分数据完成；数据源 actor 返回空数组的领域，其压力评分会较低，不确定性则会较高。每个领域节点中的 dataPoints 字段会显示该领域计算使用的数据量。 Shapley 主导领域结果如何指导干预优先级？ Shapley 主导领域对系统总体脆弱性的边际贡献最高。移除或稳定该领域，降低总体脆弱性的效果会超过任何其他单项干预。不过，Dec-POMDP plan_intervention_decpomdp 工具会综合考虑干预成本和信息价值——有时，Shapley 值较低的领域反而是优先级更高的目标，因为稳定它的成本更低，或者更完善的监测数据会显著改变策略。

帮助我们改进

如果遇到问题，您可以在 Apify 账户中启用运行记录共享，帮助我们更快地调试：

1. 前往 账户设置 > 隐私
2. 启用 与公开 Actor 创建者共享运行记录

这样一来，出现问题时我们就能查看您的运行详情，从而更快地修复问题。您的数据仅对 Actor 开发者可见，不会公开。

支持

发现错误或有功能建议？请前往此 Actor 页面中的 Issues 标签页提交问题。如需自定义配置、集成其他数据源或进行企业级部署，请通过 Apify 平台联系我们。