Cognitive Warfare & PsyOps Analysis

认知战与 PSYOPS MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

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

{
  "mcpServers": {
    "cognitive-warfare-psyops-mcp": {
      "url": "https://ryanclinton--cognitive-warfare-psyops-mcp.apify.actor/mcp"
    }
  }
}

---

通过 Model Context Protocol 为 AI Agent 提供认知战与 PSYOPS 分析。此 MCP 服务为 Claude、Cursor、Windsurf 及任何兼容 MCP 的客户端提供 8 种专业工具，可检测协同叙事行动、模拟信念传播、优化反叙事策略并预测极化的阶段转变——所有分析均由并行查询的 16 个 Apify 数据源提供支持。

每种工具都应用一种独特的数学框架，这些框架源自流行病学、进化生物学、统计物理学和博弈论。最终生成结构化、定量的信息战分析，超越关键词监测，深入因果归因、拓扑网络映射和模因适应度建模——专为战略传播分析师、平台完整性团队、反虚假信息研究人员以及由情报增强的 AI Agent 打造。

此 MCP 服务可访问哪些数据？

数据点	来源	覆盖范围
📡 社交媒体帖子和互动	Bluesky Social	Bluesky 网络实时数据
💬 社区讨论和趋势	Hacker News	科技社区讨论
📚 百科背景和编辑历史	Wikipedia	600 多万篇条目
🏛️ 美国联邦监管动态	Federal Register	所有联邦行动
🚨 国际通缉人员	Interpol Red Notices	全球通缉公告
⚠️ 全球制裁和 PEP 观察名单	OpenSanctions	100 多个计划
🔄 网站内容变更	Website Change Monitor	媒体和政府网站
🕰️ 历史内容演变	Wayback Machine	Web Archive 快照
🌍 国家概况和人口统计	REST Countries	所有联合国会员国
🌪️ 全球灾害和危机事件	GDACS Disaster Alerts	全球覆盖
📜 国会立法	Congress Bill Tracker	当前届次
🌩️ 天气事件和危机时段	NOAA Weather	美国及全球
🛠️ 开源工具和代码	GitHub Repo Search	所有公开代码仓库
📄 政策文件（全文）	Website Content to Markdown	任意网页
🔍 DNS 基础设施记录	DNS Lookup	任意域名
📍 IP 地理位置归属	IP Geolocation	全球覆盖

MCP 工具

工具	价格	描述
detect_narrative_operations	$0.050	通过耦合的 SIR-Hawkes 流行病学模型检测协同叙事行动。按类型（放大/压制/扭曲/捏造/极化）和威胁等级（LOW/MEDIUM/HIGH/CRITICAL）进行分类。
model_belief_dynamics	$0.045	通过影响力网络上的 DeGroot 社会学习模型模拟信念传播。返回特征向量中心性、谱隙（收敛速率）、极化指数和信念簇结构。
optimize_counter_narrative	$0.055	通过贝叶斯 Stackelberg 博弈优化反叙事策略。返回最优干预行动、CUSUM/Shiryaev-Roberts 时机警报和 Stackelberg 均衡收益。
map_influence_topology	$0.040	通过次模贪心影响力最大化和持久同调映射影响力网络拓扑。返回 Betti 数、回音室数量、碎片化指数和最优影响力种子。
attribute_narrative_causation	$0.045	通过双重稳健因果推断，将叙事影响归因于特定参与者。返回 ATE、倾向评分、Rosenbaum 敏感性分析和按因果影响排序的参与者。
simulate_memetic_evolution	$0.050	通过 Price 方程演化动力学模拟叙事变体竞争。返回适应度景观、选择与传播分解，以及主导变体轨迹。
detect_cross_scale_coordination	$0.045	通过 Haar 小波包分解检测个体/群体/网络/总体尺度上的协调模式。返回跨尺度相干矩阵和主导协调信号。
forecast_polarization_phase_transition	$0.050	通过 q 态 Potts 模型预测极化相变。返回序参量、临界温度、磁化率、状态（CONSENSUS/PLURALISM/POLARIZED/FRAGMENTED）和不可逆风险。

为什么使用这个用于叙事情报的 MCP 服务？

传统的社交媒体舆情工具会统计提及次数并衡量情绪。它们无法判断某场行动是否经过协同、哪些参与者对信念转变负有因果责任、某个群体距离不可逆的极化转变还有多远，也无法确定针对建模对手的最佳干预时机。

本服务提供了 STRATCOM、平台完整性和反虚假信息研究领域的分析人员已在使用的定量框架——SIR 流行病建模、贝叶斯博弈论、拓扑数据分析、演化动力学——并将其作为 MCP 工具交付，可供 AI Agent 直接调用。无需管理基础设施。无需构建数据管道。并行查询 16 个数据源，并通过一次工具调用获得结构化分析结果。

平台的主要优势：

• 待机模式 — 服务在调用间保持运行；执行时效敏感的操作无需承受冷启动延迟
• API 访问 — 使用你的 Apify token，通过 Python、JavaScript 或任何 HTTP 客户端触发任意工具
• 支出限额 — 每次工具调用都会检查你的事件费用限额，达到限额时会妥善停止
• 16 个并行数据源 — 一次调用即可获取社交、监管、制裁、基础设施、地缘政治和档案数据
• 结构化 JSON 输出 — 每个工具都会返回带类型的结果，可直接用于后续 Agent 推理

功能

• 耦合 SIR-Hawkes 模型 — SIR 分舱模型中的感染率由 Hawkes 自激点过程强度 λ(t) = μ + Σ α·exp(-β(t-tᵢ)) 调节，能够检测简单模型会判定为自发传播的协同放大行动
• 包含固执型个体的 DeGroot 社会学习 — 迭代更新信念 x_i(t+1) = λ_i·b_i + (1-λ_i)·Σ(w_ij·x_j(t))，其中 λ_i 表示固执程度（0 = 完全易受影响，1 = 不可动摇），并计算特征向量中心性和谱隙
• 贝叶斯 Stackelberg 博弈（通过多重线性规划求解 BSSE） — 领导者（防御方）承诺采用混合策略；跟随者（对手）根据其信念做出最佳响应；通过 Shiryaev-Roberts 统计量 R_n = (1+R_{n-1})·LR_n 和 CUSUM S_n = max(0, S_{n-1}+log(LR_n)) 优化时机
• 子模贪心影响力最大化 — 使用独立级联模型进行蒙特卡洛模拟，并提供 (1-1/e) 近似保证，以找出最优影响力种子
• 持续同调（Vietoris-Rips 过滤） — 通过语义单纯复形上的并查集计算 Betti 数 β₀（连通分量 = 碎片化）、β₁（1-圈 = 回音室）、β₂（空腔 = 高阶结构）
• 双重稳健因果推断（Rubin 因果模型） — 将倾向评分加权（逆概率）与结果回归相结合；只要其中一个模型设定正确，估计结果即具有一致性；Rosenbaum 敏感性分析可量化足以推翻结论的隐藏偏差
• Price 方程演化动力学 — 将适应度变化分解为选择差异 Cov(w,z)/w̄ 和传播偏差 E(w·Δz)/w̄；通过含突变的复制子动力学，模拟不同叙事变体之间的频率演化
• Haar 小波包分解 — 在从小时级战术尺度到周级战略尺度上，计算近似项 a[k]=(x[2k]+x[2k+1])/√2 和细节项 d[k]=(x[2k]-x[2k+1])/√2；跨尺度相干性可揭示在任何单一尺度上都无法察觉的层级协调
• Hegselmann-Krause 有界信心模型 + q 态 Potts 模型 — 哈密顿量 H = -J·Σδ(σᵢ,σⱼ)，临界温度 T_c = J/ln(1+√q)；低于 T_c 时发生自发对称性破缺，表明激进化已不可逆
• 五种行动类型分类器 — 放大、压制、扭曲、捏造、极化；每种类型均包含协调评分和四级威胁等级
• 四种态势分类器 — CONSENSUS、PLURALISM、POLARIZED、FRAGMENTED；根据序参量（磁化强度）和易感性推导
• 网络再生数 — 报告叙事在多层社会—地缘政治网络中的传播 R₀
• 基础设施归因 — DNS 和 IP 地理定位数据直接输入因果归因，用于识别叙事来源
• 带种子的 PRNG，确保可复现性 — mulberry32 算法可确保输入相同时评分结果具有确定性

认知战情报的使用场景

政府战略传播分析

战略传播团队需要在协同叙事行动达到饱和之前获得预警。使用 detect_narrative_operations 按行动类型和威胁等级对传入的行动进行分类，然后将网络再生数输入 forecast_polarization_phase_transition，评估目标人群是否正接近不可逆的临界点。结构化输出可直接集成到现有战略传播工作流和报告格式中。

反虚假信息策略

反虚假信息从业者面临一个博弈论难题：干预过早会放大原始叙事，干预过晚则会任由其达到饱和。optimize_counter_narrative 通过贝叶斯 Stackelberg 均衡解决这一问题——该服务会对对手针对每种防御方行动可能做出的最佳响应进行建模，并通过 CUSUM 和 Shiryaev-Roberts 警报返回最佳时机。输出包含攻击方和防御方的 Stackelberg 收益，便于对干预方案进行成本效益分析。

社交媒体平台完整性

平台信任与安全团队需要大规模检测协同的不真实行为。detect_cross_scale_coordination 会同时在每小时到每周的时间尺度上执行 Haar 小波分解，从而揭示协同特征同时跨越战术（每小时的发帖节奏）和战略（每周的叙事发展弧线）尺度的机器人网络与国家支持的行动。map_influence_topology 通过 Betti 数 β₁（语义单纯复形中的 1-循环）识别回音室，并返回用于部署反向传播信息的最优影响力种子节点。

学术信息战研究

研究信息生态系统的研究人员可以使用 model_belief_dynamics 量化固执程度与网络结构如何相互作用，进而产生共识或极化；也可以使用 simulate_memetic_evolution 模拟相互竞争的叙事变体如何争夺受众份额。将 Price 方程分解为选择差异和传播偏差，可为发表定量研究结果提供有理论依据的框架。

危机传播脆弱性评估

在快速发展的危机（自然灾害、公共卫生事件、地缘政治事件）期间，民众最容易受到叙事操纵。forecast_polarization_phase_transition 会整合 GDACS 灾害警报和 NOAA 天气数据以及社交信号，以衡量某个群体距离临界相变还有多远。不可逆风险评分会在有效干预的窗口即将关闭时发出警示。

归因与因果取证

归因是信息战中最棘手的问题。attribute_narrative_causation 应用 Rubin 因果模型和双重稳健估计——结合倾向评分加权与结果回归，因此只要其中任一模型设定正确，估计结果就具有一致性。Rosenbaum 敏感性分析则为这个问题提供了有理有据的答案：“隐匿混杂因素必须有多强，才能推翻这一归因？”

如何连接此 MCP 服务

Claude Desktop

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

{
  "mcpServers": {
    "cognitive-warfare-psyops": {
      "url": "https://cognitive-warfare-psyops-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline

将以下内容添加到你的 MCP 设置文件：

{
  "mcpServers": {
    "cognitive-warfare-psyops": {
      "url": "https://cognitive-warfare-psyops-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

编程方式（HTTP / cURL）

curl -X POST "https://cognitive-warfare-psyops-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "detect_narrative_operations",
      "arguments": {
        "query": "NATO disinformation Eastern Europe election",
        "maxResults": 30
      }
    },
    "id": 1
  }'

工具输入参数

所有工具都使用相同的两个输入参数：

参数	类型	必填	默认值	说明
query	string	是	—	要分析的叙事、主题、行动或威胁向量。使用自然语言。各工具说明中均提供了示例。
maxResults	number	否	30	每个数据源的最大结果数（范围：5–100）。数值越高，网络越丰富，但响应时间也会增加。

输入提示

• 编写具体、有针对性的查询 —— “俄罗斯 2024 年干预波罗的海国家选举”比“虚假信息”能返回更有意义的网络。查询会直接传递给全部 16 个数据源，因此越精确，效果越好。
• 从 maxResults 20-30 开始 —— 这能涵盖各数据源中最相关的内容。只有在构建全面网络时才提高到 50 以上。
• 先使用 detect_narrative_operations —— 它能提供最广泛的威胁概况。将威胁级别输出串联到针对性的 attribute_narrative_causation 或 optimize_counter_narrative 调用中，以开展后续分析。
• 为你的 Apify 运行设置支出上限 —— 每次工具调用都会按配置的事件价格收费。服务会在执行前检查你的限额；达到上限时会返回正常的错误信息。

输出示例

detect_narrative_operations

{
  "operationCount": 4,
  "totalThreatScore": 0.71,
  "networkReproductionNumber": 1.34,
  "peakIntensityTime": 1711065600,
  "nodeCount": 87,
  "edgeCount": 214,
  "operations": [
    {
      "clusterId": 0,
      "members": ["actor_bluesky_0041", "actor_bluesky_0093", "actor_hn_0017"],
      "operationType": "amplification",
      "coordinationScore": 0.82,
      "threatLevel": "HIGH",
      "hawkesIntensities": [
        {
          "nodeId": "actor_bluesky_0041",
          "baseRate": 0.12,
          "selfExcitation": 0.44,
          "currentIntensity": 0.61,
          "predictedEvents24h": 14
        }
      ],
      "sirStates": [
        {
          "nodeId": "actor_bluesky_0041",
          "susceptible": 0.23,
          "infected": 0.61,
          "recovered": 0.16,
          "reproductionNumber": 1.41
        }
      ]
    }
  ]
}

forecast_polarization_phase_transition

{
  "regime": "POLARIZED",
  "orderParameter": 0.67,
  "criticalTemperature": 0.81,
  "currentTemperature": 0.74,
  "susceptibility": 2.31,
  "phaseTransitionDistance": 0.07,
  "irreversibilityRisk": 0.78,
  "hegselmannKrauseClusters": 3,
  "clusterDistribution": [
    { "opinion": 0.14, "fraction": 0.31 },
    { "opinion": 0.51, "fraction": 0.22 },
    { "opinion": 0.87, "fraction": 0.47 }
  ],
  "nodeCount": 94
}

optimize_counter_narrative

{
  "stackelbergEquilibrium": {
    "leaderPayoff": 0.61,
    "followerPayoff": 0.31
  },
  "optimalInterventionTime": 1711112400,
  "cusumAlarm": true,
  "shiryaevRobertsAlarm": true,
  "beliefWeightedResponse": 0.54,
  "nodeCount": 87,
  "leaderActions": [
    {
      "actionId": "action_0",
      "type": "counter_narrative",
      "targetNarrative": "narrative_bluesky_0041",
      "expectedPayoff": 0.61,
      "cost": 0.22,
      "optimalTiming": 1711112400,
      "shiryaevRobertsStatistic": 3.14,
      "cusumStatistic": 2.77
    }
  ]
}

输出字段参考

detect_narrative_operations

字段	类型	描述
operationCount	number	检测到的协调行动总数
totalThreatScore	number	威胁总分 [0–1]
networkReproductionNumber	number	叙事在整个网络中传播的 R₀
peakIntensityTime	number	预测的 Hawkes 强度峰值的 Unix 时间戳
nodeCount	number	叙事网络中的节点总数
edgeCount	number	叙事网络中的边总数
operations[].clusterId	number	集群标识符
operations[].members	string[]	属于此行动集群的节点 ID
operations[].operationType	string	amplification / suppression / distortion / fabrication / polarization
operations[].coordinationScore	number	基于 Hawkes 聚类得出的协调分数 [0–1]
operations[].threatLevel	string	LOW / MEDIUM / HIGH / CRITICAL
operations[].hawkesIntensities[].baseRate	number	背景事件率 μ
operations[].hawkesIntensities[].selfExcitation	number	自激参数 α
operations[].hawkesIntensities[].currentIntensity	number	当前 λ(t)
operations[].hawkesIntensities[].predictedEvents24h	number	未来 24 小时的预测事件数
operations[].sirStates[].susceptible	number	易受影响的受众比例
operations[].sirStates[].infected	number	当前接触到该叙事的比例
operations[].sirStates[].recovered	number	已处理并摒弃该叙事的比例
operations[].sirStates[].reproductionNumber	number	节点级 R₀

model_belief_dynamics

字段	类型	描述
convergenceIterations	number	DeGroot 收敛所需的迭代次数
spectralGap	number	收敛速度（越大越快）
polarizationIndex	number	网络中的信念方差 [0–1]
consensusBelief	number or null	收敛时的最终共识信念；若处于极化状态则为 null
clusterCount	number	信念集群数量
clusters[].centroid	number	集群的平均信念位置
clusters[].members	string[]	集群中的节点 ID
states[].nodeId	string	节点标识符
states[].initialBelief	number	初始信念位置 [0–1]
states[].finalBelief	number	收敛后的信念位置 [0–1]
states[].eigenvectorCentrality	number	信念网络中的影响力中心性
states[].stubbornness	number	λᵢ 参数（0 = 易受影响，1 = 不可动摇）

map_influence_topology

字段	类型	描述
totalInfluence	number	贪心种子集的总可达范围
greedyGuarantee	number	(1-1/e) 近似界
bettiNumbers.beta0	number	连通分量（碎片化指标）
bettiNumbers.beta1	number	1-循环（回音室数量）
bettiNumbers.beta2	number	2-空洞（高阶结构）
narrativeCoherence	number	整体叙事连贯性 [0–1]
echoChamberCount	number	检测到的独立回音室数量
fragmentationIndex	number	网络碎片化分数 [0–1]
seeds[].nodeId	string	最优影响力种子节点
seeds[].marginalGain	number	添加此种子带来的边际影响力增益
seeds[].cumulativeInfluence	number	包含此节点的种子集总影响力
persistencePairs[].birth	number	拓扑特征的诞生尺度
persistencePairs[].death	number	拓扑特征的消亡尺度
persistencePairs[].dimension	number	同调维数（0、1 或 2）

attribute_narrative_causation

字段	类型	描述
topCausalActors	string[]	按因果责任排序的节点 ID 列表
totalCausalEffect	number	所有参与者的综合因果效应
robustnessScore	number	平均 Rosenbaum gamma——使研究结果失效所需的最小隐藏偏差
effects[].treatmentNode	string	被归因参与者的节点 ID
effects[].ate	number	平均处理效应估计值
effects[].propensityScore	number	此节点的倾向得分
effects[].doublyRobustEstimate	number	双重稳健 ATE 估计值
effects[].rosenbaumGamma	number	此效应的敏感性参数
effects[].confidenceInterval	[number, number]	ATE 的 95% 置信区间

simulate_memetic_evolution

字段	类型	描述
dominantVariant	string	适应度最高的叙事变体 ID
meanFitness	number	群体平均适应度 w̄
fitnessVariance	number	各变体适应度的方差
priceSelectionComponent	number	Cov(w,z)/w̄——选择对适应度变化的贡献
priceTransmissionComponent	number	E(w·Δz)/w̄——传递偏差／突变的贡献
totalChange	number	Δz̄——每代的适应度总变化
generations	number	建模的代数
variants[].variantId	string	叙事变体标识符
variants[].fitness	number	适应度分数
variants[].frequency	number	当前群体中的频率
variants[].selectionDifferential	number	此变体的选择差异
variants[].transmissionFidelity	number	复制保真度（1 = 完美传递）
variants[].mutationRate	number	每代突变率

detect_cross_scale_coordination

字段	类型	描述
dominantScale	string	协调能力最高的尺度
overallCoordination	number	跨尺度协调指数 [0–1]
scales[].scale	string	尺度标签（个体／群体／网络／人口）
scales[].periodHours	number	以小时为单位的特征周期
scales[].power	number	此尺度的连续小波功率
scales[].coherence	number	此尺度的内部相干性
scales[].phaseAlignment	number	此尺度上各节点间的相位对齐程度
crossScaleCoherence	number[][]	所有尺度对之间的相干性矩阵
coordinationSignals[].scaleA	string	协调尺度对中的第一个尺度
coordinationSignals[].scaleB	string	协调尺度对中的第二个尺度
coordinationSignals[].coherence	number	尺度 A 与尺度 B 之间的相干性
coordinationSignals[].lag	number	尺度间的相位滞后

forecast_polarization_phase_transition

字段	类型	描述
regime	string	共识／多元主义／极化／碎片化
orderParameter	number	Potts 磁化强度
criticalTemperature	number	Potts 模型中的 T_c = J/ln(1+√q)
currentTemperature	number	根据相互作用能量计算的有效社会温度
susceptibility	number	χ = d(m)/d(h)——对扰动的敏感度
phaseTransitionDistance	number	与临界温度的距离（正值 = 尚未达到临界状态）
irreversibilityRisk	number	不可逆对称性破缺的风险 [0–1]
hegselmannKrauseClusters	number	有界置信度动态下的意见集群数
clusterDistribution[].opinion	number	集群的平均意见
clusterDistribution[].fraction	number	集群人口占比

使用 Cognitive Warfare MCP 需要多少费用？

每次工具调用都按固定事件价格收费。平台计算费用已包含在内。

工具	每次调用价格	10 次调用	100 次调用
detect_narrative_operations	$0.050	$0.50	$5.00
model_belief_dynamics	$0.045	$0.45	$4.50
optimize_counter_narrative	$0.055	$0.55	$5.50
map_influence_topology	$0.040	$0.40	$4.00
attribute_narrative_causation	$0.045	$0.45	$4.50
simulate_memetic_evolution	$0.050	$0.50	$5.00
detect_cross_scale_coordination	$0.045	$0.45	$4.50
forecast_polarization_phase_transition	$0.050	$0.50	$5.00

你可以为每次 Apify 运行设置最高支出限额来控制费用。服务会在执行每次工具调用前检查该限额；达到限额时会返回正常错误，不会产生部分扣费。

Apify 免费套餐每月包含 $5 额度，足以在全部 8 个工具上调用约 100 次。付费套餐起价为每月 $49。大多数研究工作流——针对单个主题使用全部 8 个工具完成一次完整分析——费用低于 $0.50。

此 MCP 服务的工作原理

阶段 1：从 16 个来源并行收集数据

每次工具调用都会通过 Promise.all 同时触发全部 16 个 Actor 调用。Bluesky 和 Hacker News 使用完整的 maxResults 进行查询；Wikipedia、Federal Register 和网站监控使用一半；Interpol、REST Countries、GDACS、NOAA、website-to-markdown、DNS 和 IP 地理定位使用三分之一。这种分层分配方式会将数据检索集中在社交和监管信号最密集的来源，同时覆盖基础设施和地缘政治背景。每个 Actor 调用的超时时间为 120 秒；失败时会返回空数组并记录日志，但不会中止运行。

阶段 2：构建叙事网络

16 组结果会划分为八个语义通道：社交（Bluesky）、新闻（Hacker News + Wikipedia）、百科（Wikipedia）、监管（Federal Register + Congress）、制裁（Interpol + OpenSanctions）、档案（Website Monitor + Wayback Machine + Markdown）、地缘政治（REST Countries + GDACS + NOAA）以及基础设施（GitHub + DNS + IP Geolocation）。buildNarrativeNetwork 函数会将这些通道转换为由 NarrativeNode 对象组成的类型化图（每个对象都包含 belief、stubbornness、reach、activity、credibility、sanctioned 标记、geoRegion、platform 和事件时间戳），并通过 NarrativeEdge 对象将节点连接起来。边的类型包括 amplifies/opposes/references/coordinates，并带有语义相似度权重。

阶段 3：运行算法

每个工具都会将同一个叙事网络传递给 scoring.ts 中不同的评分函数。这些算法均为独立实现，不调用外部 ML API 或模型。Hawkes 自激过程、DeGroot 迭代、Price 方程分解、Potts 模型 Hamiltonian 和小波包分解都会基于网络结构确定性地运行。带种子的 PRNG（mulberry32）可确保结果可复现：相同的查询和 maxResults 会生成相同的网络拓扑和分析评分。

阶段 4：组装类型化输出

每个评分函数都会返回一个类型化结果接口（例如 NarrativeOperationsResult、BeliefDynamicsResult），main.ts 会将其解构为扁平 JSON 响应，其中包含上方输出参考中记录的所有字段。结果会直接通过 MCP 工具调用响应返回，无需单独获取数据集。

获得最佳结果的提示

1. 针对复杂调查，按顺序串联工具。 先使用 detect_narrative_operations 确立威胁态势和网络拓扑。根据该结果中的 operationType 和 threatLevel 确定后续调用的重点——如果行动正在进行，则使用 optimize_counter_narrative；如果要进行取证归因，则使用 attribute_narrative_causation；如果威胁等级为 HIGH 或 CRITICAL，则使用 forecast_polarization_phase_transition。

2. 构建全面网络时使用 maxResults: 50。 默认值 30 可涵盖最突出的信号。若要全面了解行动情况，尤其是在使用 map_influence_topology 查找影响力种子时，将值提高到 50 可生成更密集的图，并让 Betti 数计算更可靠。

3. 将 irreversibilityRisk 视为紧急程度信号。 在 forecast_polarization_phase_transition 中，值高于 0.70 表明群体正处于自发对称性破缺前的关键窗口期。如果同时出现 optimize_counter_narrative 发出的 CUSUM 警报，则表示应立即优先采取干预措施。

4. 谨慎解读因果归因中的 rosenbaumGamma。 值为 2.0 意味着，隐藏混杂因素必须使治疗分配的几率翻倍，才能推翻该归因。低于 1.5 表示因果主张不稳固；高于 3.0 则表示结论稳健。

5. 交叉参照 dominantScale 与 operationType。 如果 detect_cross_scale_coordination 返回的主导尺度为 individual，但 detect_narrative_operations 标记的行动类型为 fabrication，则该行动是通过众多个体参与者而非中心化放大器运作的，因此需要采用不同的反制策略。

6. 使用 priceSelectionComponent 与 priceTransmissionComponent 诊断叙事的持久性。 选择分量高，表示主导叙事胜出是因为其本身更具说服力；传播分量高，则表示其凭借更优的分发基础设施胜出。反制策略也有所不同：前者需要更好的叙事；后者需要扰乱放大渠道。

7. 快速筛查时设置 maxResults: 10。 快速扫描某个主题的 CRITICAL 威胁等级，每个工具的费用为 $0.04–0.05，且完成速度更快。仅对值得全面分析的主题进行高结果量调用。

与其他 Apify Actor 和 MCP 服务组合使用

Actor / MCP 服务	组合方式
Website Change Monitor	在运行 detect_narrative_operations 之前，将跟踪到的网站变更预先填入存档频道，以便更全面地检测编辑战
Brand Narrative Intelligence MCP	并行运行品牌层面的叙事监测；将品牌情绪变化输入 forecast_polarization_phase_transition 查询
Corporate Political Exposure MCP	将 OpenSanctions 中有政治暴露的个人与 attribute_narrative_causation 的输出交叉比对，以进行实体层面的归因
WHOIS Domain Lookup	使用域名注册和所有权历史，丰富 detect_narrative_operations 的 DNS 归因结果
OpenSanctions Search	对被标记为主要因果行为者的节点 ID 运行定向制裁查询，以交叉核查国家行为者归因
Website Content to Markdown	提取完整的政策文档，并将其作为预置上下文输入 model_belief_dynamics 查询
AI Model Governance MCP	监测 AI 治理政策讨论，并将 AI 政策是虚假信息传播载体的话题导入此服务的分析流水线

局限性

• 仅支持 Bluesky 社交数据 — 此服务无法访问 X/Twitter、Facebook、Telegram 或 TikTok。分析叙事战活动较频繁的平台，需要补充相应平台的专用数据源。
• 不分析媒体内容 — 此服务分析叙事模式、协同结构和时间信号，但不检测深度伪造、合成音频或篡改图像。视觉媒体分析需要专用工具。
• 算法输出是概率性框架，并非真实情况 — 数学模型提供定量分析框架。结果应由领域专家解读。模型准确性取决于针对特定查询从 16 个来源检索到的数据的数量和质量。
• 16 个 Actor 每个超时 120 秒 — 对冷门或覆盖率低的话题发起的调用可能返回稀疏数据。当构建的叙事网络节点少于 10 个时，Betti 数计算和谱隙估计的可靠性较低。
• 不支持历史趋势对比 — 每次工具调用都会分析查询时的当前数据。纵向跟踪需要定期安排重复调用，并在外部比较输出结果。
• 底层数据源的速率限制 — 多次工具调用并发密集使用时，可能会触发个别上游 Actor 的速率限制。错开调用时间或使用较低的 maxResults 可降低此风险。
• 监管和制裁数据以美国／联合国为中心 — Federal Register 和 Congress Bills 主要提供美国监管背景。分析非美国地缘政治叙事时，建议补充区域专属数据源。
• 并非为实时流式处理而设计 — 此服务采用请求-响应模式，而非流式处理流水线。如需持续监测，可通过 Apify 平台调度程序安排定期调用。

集成

• Apify API — 使用持有者令牌，通过 Python、JavaScript 或任意 HTTP 客户端以编程方式调用 MCP 端点
• Webhooks — 检测到特定威胁级别时触发下游工作流（Slack 警报、CRM 更新、报告生成）
• Zapier — 将 CRITICAL 威胁级别的检测结果发送到事件管理工作流
• Make — 根据阶段转换预测触发自动化的多步骤反虚假信息工作流
• Google Sheets — 导出结构化输出表，供分析师审查和追踪趋势
• LangChain / LlamaIndex — 在自主 OSINT Agent 工作流中，将此服务用作工具调用端点

故障排除

网络为空或规模很小（nodeCount < 10） — 查询从 16 个数据源中返回的结果不足以构建有意义的网络。这通常意味着主题非常小众，或使用了此处未涵盖的封闭平台专属术语。请尝试使用更宽泛的查询词，将 maxResults 提高到 50，或改用出现在开放来源（Bluesky、Hacker News、Wikipedia、Federal Register）中的主题变体。

尽管已知活动中的宣传活动正在进行，cusumAlarm: false 和 shiryaevRobertsAlarm: false 仍然成立 — 最优停止警报根据检索数据中的统计信噪比触发，而不是根据已知的真实情况触发。如果宣传活动主要发生在此服务未涵盖的平台（X、Telegram）上，提供给 Stackelberg 模型的数据将不足以触发警报。请补充抓取特定平台的数据，然后重新查询。

已知存在争议的主题却显示 regime: CONSENSUS — DeGroot 收敛和 Potts 模型的输出由根据现有开源数据构建的网络决定。如果争议性讨论发生在封闭平台或付费墙之后的平台上，开源信号可能无法充分反映真实的两极分化情况。请交叉参照 model_belief_dynamics 的谱隙——在 CONSENSUS 状态下，较低的谱隙表示收敛缓慢，可能掩盖潜在的两极分化。

支出限额错误响应 — 你已达到 Apify 账户中配置的每次运行事件费用限额。请在运行设置中提高限额，或减少每次会话中的工具调用次数。

工具响应时间超过 60 秒 — 这是正常现象。每次调用都会并行触发 16 次 actor 调用，每次超时为 120 秒。响应时间取决于数据源的延迟。大多数调用会在 30–90 秒内完成。

负责任地使用

• 此服务仅访问来自开放来源的公开数据。
• 这些工具旨在用于防御性叙事情报——检测、建模和反制策略优化。它们不是用于开展进攻性影响行动的平台。
• 处理或存储输出时，请遵守 GDPR、适用的数据保护法律及平台服务条款。
• 因果归因输出应视为供专家审查的分析假设，而非对特定个人或组织的确定指控。
• 有关网页抓取合法性的指南，请参阅 Apify's guide。

常见问题

在 Apify 免费套餐中，$5 可以进行多少次工具调用？ 免费套餐每月包含 $5 的额度。每次调用的价格为 $0.040 至 $0.055，$5 大约可以支付 90–125 次单独的工具调用。对单个主题完成一次包含 8 个工具的分析，费用为 $0.37 至 $0.42。 detect_narrative_operations 和 detect_cross_scale_coordination 有什么区别？ detect_narrative_operations 使用 SIR-Hawkes 流行病学建模来识别行动类型并计算威胁等级。它回答的是“是否存在协调行动、属于哪种类型，以及严重程度如何？”detect_cross_scale_coordination 使用 Haar 小波分解，揭示协调是否同时发生在多个组织层级——从个人发帖节奏到持续一周的行动周期。第二个工具回答的是“协调在不同尺度上是如何组织的？”，最适合在第一个工具确认存在行动后使用。

这与 Brandwatch 或 Meltwater 等社交聆听工具有什么不同？ 社交聆听工具会统计提及次数并衡量情绪。此 MCP 服务运用流行病学、博弈论、进化生物学和统计物理学中的数学框架，生成定量分析结果，例如网络再生数、Betti 数、Stackelberg 均衡和 Price 方程分解。输出旨在供 AI Agent 和领域分析师进行结构化推理，而非用于仪表板。它还整合制裁数据、DNS/IP 基础设施、监管活动和历史内容，而不只是社交媒体数据。

我可以用它来检测 X（Twitter）或 Telegram 上的行动吗？ 不能直接检测。该 MCP 服务会查询 16 个开源 API，目前都不包含 X 或 Telegram。Bluesky 和 Hacker News 可提供社交信号。如果调查需要覆盖 X 或 Telegram，请使用特定平台的抓取 Actor 进行补充，并在向此 MCP 服务提交查询前，在外部合并输出。

attribute_narrative_causation 的因果归因有多准确？ 只要倾向评分模型或结果回归模型之一设定正确，双重稳健估计量就具有一致性——这比单独使用任一方法提供了更强的保证。准确性取决于数据密度：网络稀疏时，置信区间会更宽，Rosenbaum gamma 值也会更低。务必同时报告 rosenbaumGamma 和 ATE，以便读者衡量该归因对隐藏混杂因素的稳健程度。

我可以将此 MCP 服务设为定时运行分析吗？ 可以。你可以通过 Apify 平台调度器或 API 定时安排 Apify Actor 运行。每次定时运行都可以调用你在 Agent 工作流中配置的任意工具。当满足特定条件时（例如，威胁等级 = CRITICAL，irreversibilityRisk > 0.70），可使用 Webhook 将输出路由到下游系统。

使用它进行 OSINT 分析是否合法？ 所有数据源均公开可用。此 MCP 服务会访问 Bluesky、Hacker News、Wikipedia、Federal Register、Interpol 公告、OpenSanctions、Wayback Machine、REST Countries、GDACS、Congress Bills、NOAA、GitHub 和公开网页。请参阅Apify 关于网页抓取合法性的指南，了解针对不同司法管辖区的指导。未经进一步佐证，不应使用因果归因结果作出明确的公开指控。

forecast_polarization_phase_transition 返回的 FRAGMENTED 状态是什么意思？ FRAGMENTED 状态表示 Potts 模型发现，该群体已自发发生对称性破缺，形成多个稳定的信念状态，且集群间耦合较弱。与存在两个主导阵营的 POLARIZED 状态不同，FRAGMENTED 表示存在三个或更多信念集群，彼此之间几乎没有连贯沟通。hegselmannKrauseClusters 数量和 clusterDistribution 显示了各个碎片群体的意见立场和相对规模。 为什么 map_influence_topology 返回的是 greedyGuarantee，而不是精确最优解？ 找到影响力最大化问题的精确最优种子集是 NP-hard 的（可归约为加权集合覆盖问题）。子模贪心算法能在多项式时间内提供可证明的近似保证 (1-1/e) ≈ 0.632，这意味着贪心种子集获得的影响力至少达到最优集合的 63.2%。在独立级联模型和子模影响力函数下，这一保证成立。greedyGuarantee 字段报告了针对具体网络所达到的界限。

我可以在自治 AI Agent 工作流中使用此 MCP 服务吗？ 可以。此服务实现了 MCP 标准（模型上下文协议），兼容所有 MCP 客户端，包括 Claude、Cursor、Windsurf 和 Cline。它专为 Agent 使用而设计：每个工具都返回带类型字段的结构化 JSON，支出限额检查可防止成本失控，待机模式则能让服务在 Agent 调用之间保持就绪。

如果调用期间 16 个上游 Actor 中有一个失败，会发生什么？ 每个 Actor 调用都封装在 try/catch 中，并设有 120 秒超时。失败时会返回空数组并记录日志。叙事网络会根据已检索到的数据构建。如果多个关键来源失败（例如，Bluesky 和 OpenSanctions 都超时），最终网络规模会更小，分析结果也会不太可靠——响应中的 nodeCount 表示网络密度。

相关 MCP 服务

MCP 服务	重点
品牌叙事情报 MCP	品牌层面的叙事监测与声誉分析
企业政治风险敞口 MCP	政治影响力、游说和 PEP 分析
AI 模型治理 MCP	AI 治理、政策和偏见研究监测

帮助我们改进

如果遇到问题，请启用运行共享，以便我们更快地诊断问题：

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

这样一来，出现问题时我们便能查看运行详情。你的数据仅对 Actor 开发者可见，不会公开。

支持

发现 bug 或有功能需求？请在此 Actor 页面上的 问题选项卡 中提交问题。如需定制集成或企业级 STRATCOM 部署，请通过 Apify 平台联系我们。