Corporate Deep Research

企业深度研究 MCP

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

---

面向 AI Agent 的企业深度研究 — 此 MCP 服务让 Claude、GPT-4 及任何兼容 MCP 的 AI 客户端即时访问 7 个实时企业情报数据源：SEC 文件、股票市场数据、法人实体识别码、客户评价、消费者投诉、网络研究和百科全书背景信息。一次工具调用即可同时返回各个维度的财务健康评分、治理等级、声誉风险级别和投资风险分类。

手动开展企业尽职调查需要财务分析师为每家公司花费 6-12 小时：提取 EDGAR 文件、检查 GLEIF LEI 状态、阅读 Trustpilot 评价、扫描 CFPB 投诉量，并交叉核对股票数据。此服务可自动完成整套情报收集和评分流程。你的 AI Agent 调用一个 MCP 工具，服务便会并行查询 7 个数据源，构建企业图谱网络，并在 3 分钟内返回包含可执行建议的结构化分析。

⬇️ 可以访问哪些企业情报数据？

数据点	来源	覆盖范围
📊 企业概览、竞争对手、市场地位	Company Deep Research	全网情报
📋 10-K、10-Q、8-K、代理声明	EDGAR Filing Search	完整 SEC 数据库
📈 股价、市值、财务指标	Finnhub Stock Data	全球股票
🏢 法人实体验证、母子级层级关系	GLEIF LEI Lookup	全球 LEI 注册库
⭐ TrustScore、评价数量、评分趋势	Trustpilot Review Analyzer	Trustpilot 列表
⚠️ 投诉数量、产品类别、解决状态	CFPB Consumer Complaints	美国金融投诉
📖 公司历史、争议、重大事件	Wikipedia Article Search	600 多万篇文章
🔗 包含边权重的跨来源身份图谱	Corporate Network Builder	整合全部 7 个数据源

MCP 工具

工具	价格	默认数据源	说明
map_corporate_intelligence	$0.04	research, filings, stock, lei	构建企业图谱网络——包含公司、文件、股票和实体的节点，以及表示关系和连接权重的边
assess_financial_health	$0.04	research, filings, stock, lei	根据股价信号、文件活动和市值对数评估财务健康状况（强劲 / 稳定 / 需谨慎 / 困境）
detect_reputation_risk	$0.04	research, reviews, complaints	根据 Trustpilot 评价趋势以及 CFPB 投诉数量和类别检测声誉风险（低 / 中 / 高 / 严重）
analyze_filing_patterns	$0.04	filings, research	分析 SEC 文件提交频率、表格类型和异常评分；异常评分根据文件提交间隔的标准差计算
score_corporate_governance	$0.04	filings, lei, wikipedia	根据披露完整性、10-K/10-Q 合规性、LEI 状态和透明度指标评定治理质量等级（A–F）
trace_corporate_identity	$0.04	research, lei, stock, wikipedia	交叉核对 LEI、Wikipedia 和股票注册库中的企业身份，并检测别名和交叉引用评分
assess_investment_risk	$0.04	research, filings, stock, lei, reviews, complaints	多因素综合风险评分（0–1），综合财务风险（30%）、声誉风险（25%）、治理风险（25%）和市场风险（20%）
generate_deep_research_report	$0.04	all 7 sources	完整的企业情报报告：按严重程度排序的关键发现、总体风险级别和优先建议

为什么使用 Corporate Deep Research MCP 开展尽职调查？

中型市场并购团队花 10 小时手动调查收购目标——在一个标签页中查看 EDGAR 文件，在另一个标签页中查看 Trustpilot，还要单独调用 GLEIF 的 API——可能会错过这样的规律：8-K 披露激增，同时 CFPB 投诉增加，这是一个重大风险信号。手动研究会产生彼此孤立的数据。此服务则会生成统一的关系图，其中数据点之间的关系与数据本身同样重要。

此 MCP 服务专为 AI 工作流设计，让 Agent 能够对企业情报进行推理，而不只是检索单个数据点。

• 定时调度 — 关联 Apify 定时任务，每周监控投资组合公司，并在风险级别变化时发出提醒
• API 访问 — 通过 Python、JavaScript、n8n 或任何 HTTP 客户端发送单个 POST 请求即可触发
• 5 分钟 TTL 缓存 — 5 分钟内的重复查询会返回缓存结果，让 Agent 迭代工作流中的成本保持可预测
• 支出上限 — 为每次 Apify 运行设置最高支出；达到上限时，此服务会返回结构化错误，便于 Agent 妥善处理
• 双传输方式 — 同时支持 SSE（/sse）和 Streamable HTTP（/mcp）传输方式，最大限度地兼容各类客户端
• 并行获取数据源 — 通过 Promise.all 并发获取全部 7 个数据源，最大限度地缩短每次工具调用的延迟

功能

• 7 源企业情报关系图 — 同时采集研究数据、EDGAR 文件、Finnhub 股票数据、GLEIF LEI、Trustpilot、CFPB 和 Wikipedia，并将其关联到统一的 CorpNetwork 中，其中包含带类型的节点和加权边
• 带类型的边关系 — 该关系网使用 6 种边类型：filed_by（0.8）、trades_as（0.9）、identified_by（0.7）、reviewed_on（0.6）、complained_about（0.7）、described_in（0.5），让 Agent 能够遍历企业关系
• 财务健康评分公式 — healthScore = priceSignal × 0.3 + filingActivity × 0.3 + log10(marketCap)/12 × 0.4，生成 0–1 的评分，并映射为四个健康等级
• 综合投资风险公式 — compositeRisk = financialRisk × 0.3 + reputationRisk × 0.25 + governanceRisk × 0.25 + marketRisk × 0.2，将风险划分为从低到严重的五个等级
• 声誉风险三角验证 — 综合 Trustpilot 评分反转值（1 − avgRating）、CFPB 投诉量（每起投诉计 0.2，最高为 1.0）以及混合情绪评分
• A–F 治理评级 — 根据 10-K 是否存在（+0.4）、10-Q 是否存在（+0.3）、文件类型多样性（每种类型 +0.1，最高 +0.3）、LEI 注册情况（+0.2）和 Wikipedia 条目是否存在（+0.1）进行评估
• 文件异常检测 — 计算文件提交间隔的标准差，再除以平均间隔进行归一化，得出 0 到 1 的异常评分（>0.5 表示异常）
• 企业身份追踪 — 通过 LEI、Wikipedia 和股票代码交叉比对公司名称，生成别名列表和交叉引用置信度评分（最高为 1.0：LEI 0.4、Wikipedia 0.3、股票 0.3）
• 调查结果引擎 — generate_deep_research_report 应用 4 条检测规则：投诉量阈值、文件间隔、缺少 LEI 记录以及低评分评论群组，并按严重程度排序输出
• 按来源选择数据 — 每个工具都接受 sources 数组，因此你可以执行轻量级查询（例如只指定 ["filings"]），以控制成本和延迟
• 每个来源最多 500 条数据 — Actor 客户端在每次上游 Actor 调用中最多获取 500 条数据集条目，并对每个来源分别设置切片上限（研究 40 条、文件 60 条、股票 40 条、LEI 30 条、评论 40 条、投诉 40 条、wiki 20 条）
• 180 秒上游超时 — 每次子 Actor 调用最多等待 180 秒；发生错误时会妥善捕获，并返回空数组，而非导致工具调用失败

企业深度研究的使用场景

投资尽职调查

投资组合经理和买方分析师会使用 generate_deep_research_report 进行初步筛查，然后再委托分析师撰写完整报告。该工具会在 3 分钟内返回按严重程度排序的调查结果，包括消费者投诉激增、申报缺失和 LEI 不合规。每周筛查 20 家公司的团队，每月预计可节省 40 多个分析师工时。

并购目标评估

负责收购项目的企业发展团队会结合使用 assess_financial_health 和 detect_reputation_risk，尽早剔除不合适的目标。analyze_filing_patterns 会发现异常披露行为，这类行为通常预示着重大事件——分析师逐份审查申报文件时可能会忽略这一模式。

供应商和交易对手筛查

采购和合规团队会在供应商入驻流程中使用 score_corporate_governance 和 trace_corporate_identity。治理评级低于 C，或交叉引用分数低于 0.7，都会标记该交易对手，以便进行更严格的人工审查。通过 webhook 与 CRM 系统集成，可确保记录保持最新。

投资组合风险监控

资产管理公司会使用 Apify Schedules，为投资组合中的公司配置定期 assess_investment_risk 检查。综合风险分数（0–1）是持续跟踪风险水平变化的一致指标，结构化 JSON 输出可直接用于投资组合仪表板或风险报告系统。

ESG 和治理分析

ESG 分析师会将治理评级和 CFPB 投诉趋势数据用作 ESG 评分框架的输入。披露完整性——通过定期申报频率和 LEI 注册情况衡量——是公认的治理指标。该服务提供量化信号，补充定性 ESG 评估。

AI Agent 驱动的研究工作流

AI 编码助手和研究 Agent（Claude、GPT-4、Cursor、Windsurf）会将此服务用作企业情报后端。Agent 调用 map_corporate_intelligence 获取实体图谱，再串联调用 assess_investment_risk 进行评分，最后调用 generate_deep_research_report 生成最终结果——这种多步骤推理工作流若没有此服务，就需要手动调用数十次 API。

如何连接 Corporate Deep Research MCP 服务

Claude Desktop

将以下内容添加到 Claude Desktop 的 claude_desktop_config.json 中：

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

Cursor / Windsurf / Cline

将 MCP 服务 URL 添加到编辑器的 MCP 配置面板中。使用 Streamable HTTP 端点：

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

在 Authorization 标头中，将 Apify API 令牌作为 Bearer 令牌传入。

SSE 传输（旧版客户端）

对于使用 Server-Sent Events 的客户端：

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

健康检查

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

工具参数

此服务中的每个工具都接受相同的两个参数：

参数	类型	必填	默认值	说明
query	字符串	是	—	要研究的公司名称、股票代码或企业实体（例如，“Tesla”、“TSLA”、“Berkshire Hathaway”）
sources	枚举数组	否	因工具而异	要查询的数据源。选项：research、filings、stock、lei、reviews、complaints、wikipedia

各工具的默认数据源

工具	默认数据源	建议的最低数量
map_corporate_intelligence	research、filings、stock、lei	2 个数据源
assess_financial_health	research、filings、stock、lei	stock 或 filings
detect_reputation_risk	research、reviews、complaints	reviews 或 complaints
analyze_filing_patterns	filings、research	filings
score_corporate_governance	filings、lei、wikipedia	filings
trace_corporate_identity	research、lei、stock、wikipedia	lei 或 wikipedia
assess_investment_risk	research、filings、stock、lei、reviews、complaints	3 个以上数据源
generate_deep_research_report	全部 7 个数据源	4 个以上数据源

调用示例

快速财务健康检查（2 个来源，成本最低）：

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

全面投资风险评估（6 个来源）：

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

仅针对金融机构的声誉扫描：

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

⬆️ 输出示例

assess_financial_health 输出

{
  "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 输出

{
  "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 输出

{
  "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 输出

{
  "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
}

输出字段

财务健康状况（assess_financial_health）

字段	类型	描述
assessments[].company	字符串	公司名称（最多 50 个字符）
assessments[].priceSignal	数字	归一化至 0–1 的股票价格（price / 500，上限为 1）
assessments[].filingActivity	数字	文件提交活动评分：filingCount × 0.15，上限为 1
assessments[].marketCap	数字	市值信号：log10(marketCap) / 12，上限为 1
assessments[].healthScore	数字	加权综合评分：price × 0.3 + filings × 0.3 + mcap × 0.4
assessments[].healthLevel	字符串	strong（≥0.7）/ stable（≥0.5）/ caution（≥0.3）/ distressed（<0.3）
avgHealth	数字	所有评估公司的平均健康评分
distressedCount	数字	healthLevel === "distressed" 的公司数量

声誉风险（detect_reputation_risk）

字段	类型	描述
risks[].company	字符串	公司名称
risks[].reviewScore	数字	评价风险：1 − avgRating（值越高，评价越差）
risks[].complaintScore	数字	投诉风险：complaintCount × 0.2，上限为 1
risks[].sentimentScore	数字	混合评分：（reviewScore + complaintScore）/ 2
risks[].reputationRisk	数字	综合评分：reviewScore × 0.4 + complaintScore × 0.4 + sentiment × 0.2
risks[].riskLevel	字符串	critical（≥0.75）/ high（≥0.5）/ medium（≥0.25）/ low（<0.25）
avgRisk	数字	所有公司的平均声誉风险
highRiskCount	数字	风险等级为 high 或 critical 的公司数量

文件提交模式（analyze_filing_patterns）

字段	类型	描述
patterns[].company	字符串	公司名称
patterns[].filingCount	数字	找到的文件提交总数
patterns[].filingTypes	string[]	找到的不同表格类型（例如，["10-K", "10-Q", "8-K"]）
patterns[].frequency	数字	估算的年文件提交次数（365 天 / 平均提交间隔）
patterns[].anomalyScore	数字	stdDev(gaps) / mean(gaps)，上限为 1——值越高，越不规律
totalFilings	数字	网络中的文件提交节点总数
avgFrequency	数字	各公司年文件提交频率的平均值
anomalousCount	数字	anomalyScore > 0.5 的公司数量

治理评分（score_corporate_governance）

字段	类型	描述
scores[].company	字符串	公司名称
scores[].disclosureScore	数字	filingCount × 0.12 + LEI 加分 0.2 + Wikipedia 加分 0.1，上限为 1
scores[].filingCompliance	数字	存在 10-K（0.4）+ 存在 10-Q（0.3）+ 类型多样性（每种类型 0.1，最高 0.3）
scores[].transparencyIndex	数字	disclosureScore × 0.5 + filingCompliance × 0.5
scores[].governanceGrade	字符串	A（≥0.8）/ B（≥0.6）/ C（≥0.4）/ D（≥0.2）/ F（<0.2）
avgTransparency	数字	平均透明度指数
topGradeCount	数字	等级为 A 或 B 的公司数量

身份追踪（trace_corporate_identity）

字段	类型	描述
traces[].entity	string	公司主要名称
traces[].leiMatch	boolean	是否找到匹配的 LEI 实体
traces[].wikiMatch	boolean	是否找到匹配的维基百科条目
traces[].crossRefScore	number	LEI（0.4）+ 维基百科（0.3）+ 股票代码（0.3）的存在情况得分
traces[].aliases	string[]	在各来源中找到的名称变体（最多 5 个）
totalTraced	number	追踪的公司总数
confirmedCount	number	crossRefScore ≥ 0.7 的公司数
avgCrossRef	number	交叉引用置信度平均得分

投资风险（assess_investment_risk）

字段	类型	描述
risks[].company	string	公司名称
risks[].financialRisk	number	1 −（备案数量 × 0.1），限制在 [0,1] 范围内
risks[].reputationRisk	number	投诉数 × 0.15 +（1 − 平均评分）× 0.5，最高为 1
risks[].governanceRisk	number	1 −（LEI 0.4 + 维基百科 0.2 + 备案数量 × 0.08），限制在 [0,1] 范围内
risks[].marketRisk	number	找到股票数据时为 0.3，未找到股票数据时为 0.7
risks[].compositeRisk	number	财务风险 × 0.3 + 声誉风险 × 0.25 + 治理风险 × 0.25 + 市场风险 × 0.2
risks[].riskLevel	string	critical（≥0.75）/ high（≥0.5）/ medium（≥0.25）/ low（<0.25）
avgComposite	number	综合风险平均值
criticalCount	number	风险等级为 critical 的公司数

深度研究报告（generate_deep_research_report）

字段	类型	描述
findings[].category	string	发现类别：消费者投诉、备案缺失、身份验证、声誉问题
findings[].finding	string	对所发现内容的纯文本描述
findings[].severity	string	critical / high / medium / low
findings[].evidence	string	支持该发现的示例实体/记录
findings[].recommendation	string	可执行的后续步骤
overallRisk	string	根据最严重的发现得出：critical / high / medium / low
companiesResearched	number	网络中的公司节点数量
recommendations	string[]	汇总所有发现并去重后的行动事项

企业深度研究需要多少费用？

无论使用哪种工具或包含多少来源，每次工具调用的费用均为 $0.04。没有订阅费或最低消费要求。Apify 免费套餐每月包含 $5 额度——无需付款即可进行 125 次工具调用。

场景	工具调用次数	每次调用费用	总费用
单家公司快速扫描	1	$0.04	$0.04
对单家公司进行完整的 8 工具分析	8	$0.04	$0.32
每日监控：10 家投资组合公司	10	$0.04	$0.40/天
每周并购项目筛查：50 家公司	50	$0.04	$2.00
每月企业尽职调查：500 次调用	500	$0.04	$20.00

你可以为每次 Apify 运行设置最高支出限额。达到限额时，服务端会返回结构化的 {"error": true, "message": "Spending limit reached for ..."} 响应，让你的 Agent 能够妥善处理，避免意外扣费。

Bloomberg Terminal 单席位每年费用为 $24,000。PitchBook Professional 起价为每年 $10,000。使用此服务，每月运行 500 次企业情报调用的团队只需支付 $20——无需订阅承诺，也没有最低席位要求。

如何通过 API 使用 Corporate Deep Research MCP

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']}")

直接调用 HTTP 工具（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 的工作原理

阶段 1：解析来源并构建图

调用工具时，服务首先检查以来源和查询字符串为键的 5 分钟内存 TTL 缓存（例如 res:Tesla、fil:Tesla）。缓存命中时会立即返回，不产生 API 费用。若缓存未命中，服务会通过 Promise.all 并行请求所有指定来源，调用各个上游 Apify actor，超时时间为 180 秒，并获取最多 500 个数据集条目。

7 个来源 actor 分别为：ryanclinton/company-deep-research、ryanclinton/edgar-filing-search、ryanclinton/finnhub-stock-data、ryanclinton/gleif-lei-lookup、ryanclinton/trustpilot-review-analyzer、ryanclinton/cfpb-consumer-complaints 和 ryanclinton/wikipedia-article-search。

阶段 2：构建企业网络

来自所有来源的原始数据会传入 buildCorpNetwork()，该函数构建由 CorpNode 和 CorpEdge 对象组成的类型化图。节点包括：公司（来自研究数据，最多 40 个）、文件（最多 60 个）、股票（最多 40 个）、LEI 实体（最多 30 个）、评论（最多 40 个）、投诉（最多 40 个）和 Wikipedia 条目（最多 20 个）。去重时使用以节点 ID 为键的 Set<string>，以避免来自多个来源的公司节点重复。

边根据名称匹配启发式规则创建：将公司名称的前 8–10 个字符与其他来源类型的节点名称匹配，以确定关联关系。边的权重反映置信度：trades_as（0.9，最高）、filed_by（0.8）、complained_about 和 identified_by（0.7）、reviewed_on（0.6）、described_in（0.5）。

阶段 3：评分与分析

每个工具的评分函数都会基于已组装的 CorpNetwork 运行。函数会遍历边，收集每家公司关联的节点，然后应用各自的公式：

• assessFinancialHealth() — 获取股票节点分数、统计文件边数量，并读取股票元数据中的 marketCap
• detectReputationRisk() — 计算评论节点分数的平均值（归一化到 0–1），并统计投诉节点数量
• analyzeFilingPatterns() — 计算文件日期之间以毫秒为单位的间隔，并通过标准差与均值之比得出异常分数
• scoreCorporateGovernance() — 检查是否存在 10-K 和 10-Q 表格类型字符串，以及是否存在 LEI 和条目节点
• assessInvestmentRisk() — 按固定权重合并全部四个风险维度
• generateDeepResearchReport() — 对网络中的数量应用阈值规则（投诉 >5 条 = 严重发现，低评分评论 >3 条 = 高级别发现）

阶段 4：传输与计费

服务支持 SSE（/sse + /messages）和 Streamable HTTP（/mcp）两种传输方式。每次工具调用都会在返回结果前触发 Actor.charge()。如果达到支出上限，服务会返回结构化错误 JSON，而不是抛出异常，以维持 Agent 工作流的稳定性。服务以 Apify Standby 模式运行，保持运行状态，以便处理多次工具调用，避免冷启动开销。

获得最佳结果的提示

1. 使用 generate_deep_research_report 作为入口工具。 它会查询全部 7 个来源，并按严重程度对发现结果排序。只有在需要深入了解特定维度时，才使用单项工具。

2. 缩小来源范围，以控制成本和延迟。 仅使用 ["filings"] 调用 analyze_filing_patterns，耗时约 30 秒，费用为 $0.04。使用 7 个来源调用 generate_deep_research_report，耗时 2-3 分钟。根据紧急程度选择来源。

3. 查询上市公司时使用股票代码。 与 "Apple Inc" 相比，查询 "AAPL" 能提升 EDGAR 和 Finnhub 的匹配质量，因为这些来源按股票代码编制索引。对于非上市公司，请使用完整法定名称。

4. 在多步骤 Agent 工作流中串联工具。 先调用 map_corporate_intelligence，了解有哪些数据可用，再调用特定工具。输出中的图结构会显示哪些数据源返回了有用结果。

5. 结合交易对手筛查。 对于第三方风险评估，可将此服务与 Counterparty Due Diligence MCP 配合使用，在此服务提供的金融情报之外，增加制裁、不良媒体报道和 PEP 筛查。

6. 为用于大批量筛查的运行设置 Apify 支出限额。 如果 Agent 要遍历一长串公司，请在 Apify Console 中配置单次运行的支出上限，以防成本失控。

7. 安排每周投资组合监控。 使用 Apify Schedules 和 webhook，将结果 POST 到 Slack 频道或仪表板。assess_investment_risk 的结构化 JSON 输出非常适合自动监控风险等级变化并发送提醒。

与其他 Apify actors 和 MCP 服务搭配使用

Actor / MCP 服务	搭配方式
Counterparty Due Diligence MCP	在金融情报中加入 KYB 制裁筛查、不良媒体报道和 PEP 检查，全面覆盖第三方风险
Corporate Political Exposure MCP	在此服务的治理评分基础上叠加政治风险和游说活动风险敞口数据
Brand Narrative Intelligence MCP	通过媒体叙事分析和品牌情绪趋势，扩展声誉风险检测
Competitive Digital Intelligence MCP	将企业财务健康数据与竞争性数字态势相结合，构建完整的竞争对手画像
Trustpilot Review Analyzer	进行更深入的评论分析，例如按主题分析情绪、评论数量变化趋势，超越 MCP 汇总的分析范围
CFPB Consumer Complaints	获取完整的投诉记录及叙述文本，进行更详细的投诉分析，超越基于数量的信号
EDGAR Filing Search	访问完整的申报文本、附件和 XBRL 数据，超越 MCP 60 份申报的限制

局限性

• 私营公司的财务数据有限。 EDGAR 备案文件和 Finnhub 股票数据主要针对美国上市公司。私营公司可能会返回空的股票和备案文件节点，从而显著拉低财务健康度和投资风险评分。对于运营良好但无需向 SEC 提交文件的私营公司，治理评级会低估其质量。
• 源数据质量取决于上游参与方。 评分质量取决于 7 个上游参与方返回的数据。如果 GLEIF LEI 未能查询到结果，即使该实体确实以其他名称变体注册，治理评分仍会因缺少 LEI 而扣分。
• 名称匹配是近似匹配。 图构建使用前 8 到 10 个字符的子字符串匹配来关联不同来源的节点。常见的公司名称前缀可能导致错误的边连接。请使用具体且独特的公司名称或股票代码，以尽量减少错误关联。
• 上游超时为 180 秒。 如果上游参与方的响应时间超过 3 分钟，该数据源将返回空数组。CFPB 响应缓慢会导致声誉风险评分为 0（人为偏低），而不是报错。
• 5 分钟缓存仅在单个服务实例内共享。 内存中的 TTL 缓存不会在 Standby 重启后保留。重启后，每家公司的首次查询都需要承担完整的数据源获取成本。
• 每个数据源最多返回 500 个条目。 对于拥有数百份 SEC 备案文件或数千条投诉的大型公司（例如大型银行），500 条的上限意味着网络只反映近期的部分备案文件和投诉。
• CFPB 数据仅涵盖美国金融机构。 非金融公司和非美国公司不会返回 CFPB 投诉数据，因此这些实体的声誉风险中，投诉评分部分为零。
• 不解析 XBRL 或财务报表。 财务健康度评分使用市值和备案文件数量作为代理指标。它不会解析资产负债表、损益表或现金流数据。如需深入的财务建模，请使用直接的 EDGAR 参与方。

集成

• Claude Desktop — 通过 claude_desktop_config.json 连接 Claude，进行对话式企业尽职调查
• Cursor / Windsurf — 将企业情报集成到 IDE 工作流中，进行 AI 辅助分析
• Apify API — 从任何 HTTP 客户端、CI/CD 流水线或内部应用以编程方式触发工具调用
• Webhooks — 定时运行完成时，将风险评分变化推送到 Slack、Teams 或内部告警系统
• Zapier — 有新的 CRM 条目时触发企业调研，并将结果推送到 HubSpot、Salesforce 或 Google Sheets
• Make (Integromat) — 自动化供应商筛查工作流：添加新供应商 → 触发调研 → 将治理评分发送给采购团队
• LangChain / LlamaIndex — 在 RAG 流水线和多 Agent 调研工作流中，将此服务用作企业情报工具

故障排除

工具返回空的 assessments 或 risks 数组。 企业关系图中没有公司节点。当查询字符串与源数据中的实体名称不匹配时，就会出现这种情况。请尝试更具体的查询——使用完整法定名称或股票代码。检查该公司是否为私营公司（可能没有 SEC 申报数据）。

generate_deep_research_report 返回 overallRisk: "low"，且没有调查结果。 调查结果引擎设有最低阈值：投诉需要超过 5 条记录，低评分评论需要超过 3 条记录，缺少 LEI 的情况需要超过 2 个实体。对于数据稀少的小型公司，即使存在风险，也可能达不到所有阈值。若要直接查看基于评分的结果，请使用 assess_investment_risk。

知名公司的财务健康评分似乎过低。 健康评分使用股价 / 500 作为价格信号，这意味着股价高于 $500 的股票得分为 1.0，低于 $50 的股票得分为 0.1。这是相对信号，而非绝对估值。结合使用 score_corporate_governance 和 trace_corporate_identity，可以获得更全面的评估。

在 Claude Desktop 中调用工具超时。 抓取 7 个来源时，每次工具调用最长可能需要 3 分钟。如果 Claude Desktop 的超时时间更短，可将 sources 数组缩减至 2-3 个来源，以加快响应速度；也可以使用默认来源较少的工具，例如 analyze_filing_patterns。

出现“已达到支出上限”错误。 Apify 运行任务已达到其配置的支出上限。请在 Apify Console 的 actor 运行设置中提高上限，或设置每月预算分配更高的定期运行任务。

负责任地使用

• 此服务仅访问公开可用的企业数据，包括官方注册机构（SEC EDGAR、GLEIF）、授权市场数据（Finnhub）和公开访问的平台（Trustpilot、Wikipedia）。
• CFPB 投诉数据是依据美国《信息自由法》（FOIA）原则发布的政府公开数据集。
• 未咨询具备资质的金融和法律专业人士时，不要使用输出结果对公司的信用状况、偿付能力或法律合规性做出缺乏依据的判断。
• 基于这些数据做出的投资决策应咨询持牌财务顾问。此服务提供情报参考，而非投资建议。
• 在商业尽职调查流程中使用输出结果时，请遵守适用的数据法规。
• 有关网页抓取和数据合法性的指导，请参阅 Apify 的法律指南。

❓ 常见问题

Corporate Deep Research MCP 每次工具调用可以研究多少家公司？ 每次工具调用只接受一个 query 字符串，并通过所有选定来源研究该公司。企业网络可能包含在申报文件和研究数据中发现的相关实体——通常有 5-30 个公司节点，并在单次 $0.04 的调用中完成评分。若要研究 10 家互不相关的公司，请分别调用 10 次。

企业情报数据有多新？ Finnhub 股票数据会在查询时实时获取。EDGAR 数据反映最新发布的申报文件（通常在 SEC 发布后 24 小时内更新）。GLEIF LEI 数据反映当前注册状态。Trustpilot 和 CFPB 数据反映当前平台状态。Company Deep Research 会获取实时网页数据。5 分钟 TTL 缓存意味着 5 分钟内的重复查询会返回缓存结果。

企业深度研究适用于私营公司吗？ 部分适用。Company Deep Research、Trustpilot 评论、CFPB 投诉、Wikipedia 和 GLEIF LEI 均涵盖私营公司。SEC 申报数据和 Finnhub 股票数据仅适用于上市实体。由于缺少财务信号，私营公司的财务健康和投资风险评分可靠性较低。 公司的治理评级有多准确？ 治理评级基于可观察的信号：是否有 10-K 文件、10-Q 文件、LEI 注册信息和 Wikipedia 收录。它衡量的是披露合规性和登记信息是否存在，而非实际治理质量。一家公司可能获得 A 级，但仍存在公开数据未能反映的真实治理问题；私营公司也可能仅仅因为没有向 SEC 提交文件的义务而获得 F 级。

我可以用 Corporate Deep Research MCP 研究非美国公司吗？ 可以。Finnhub 涵盖全球股票。GLEIF LEI 是一项全球标准，覆盖 200 多个司法管辖区的实体。Wikipedia 涵盖国际内容。Company Deep Research 会从全网提取信息。SEC EDGAR 以美国为中心，但也涵盖外国私人发行人。CFPB 投诉数据仅涵盖美国金融机构。

这与 Bloomberg Terminal 或 PitchBook 有何不同？ Bloomberg 和 PitchBook 是专业数据平台，提供结构化金融数据库、分析师覆盖和专有数据授权。此服务从公开来源和开放登记库汇总数据。每次查询费用为 $0.04，而 Bloomberg 每月费用为 $2,000+。它专为 AI Agent 工作流和程序化访问而设计，并非供分析师通过 UI 浏览。请将其用于自动化初步筛查，而非替代深入的专业研究平台。

企业深度研究如何处理公司名称变体？ 图谱构建会使用前 8 到 10 个字符的子字符串匹配来关联不同来源中的实体。如果一家公司有多个常用名称（例如，“Meta”和“Facebook”），请使用最有可能出现在 EDGAR 文件中的名称进行查询，通常是完整的法定名称。trace_corporate_identity 工具会显示在不同来源中找到的别名。

将这些数据用于投资研究合法吗？ 所有数据源均公开可用。EDGAR、GLEIF 和 CFPB 均为政府运营的公共数据库。Trustpilot 可公开访问。使用公开数据进行投资研究是标准做法。此服务不提供投资建议——输出应视为供合格金融专业人士使用的情报输入。请参阅 Apify 的法律指南了解更多背景信息。

我可以用此服务安排自动化的投资组合监控吗？ 可以。使用 Apify Schedules，按每日或每周的频率触发 assess_investment_risk，对投资组合中的公司列表进行评估。结合 webhook，将风险级别变化发送到 Slack 或投资组合管理系统。结构化 JSON 输出专为自动化处理而设计。

如果 7 个上游来源中的某个来源失败或超时，会发生什么？ 每个来源都会独立获取，超时时间为 180 秒。如果上游 actor 失败或超时，该来源会返回空数组，系统则根据其余来源构建网络。工具调用不会失败，而是根据可用数据返回评分。受影响的维度（例如，评价获取失败时的声誉风险）将反映默认值或中性值。

我可以在 LangChain 或 LlamaIndex Agent 中使用此 MCP 服务吗？ 可以。任何兼容 MCP 的客户端都可以连接此服务。LangChain 和 LlamaIndex 支持使用 MCP 工具。请使用 Apify 令牌作为 Bearer 请求头，连接到 https://corporate-deep-research-mcp.apify.actor/mcp。这 8 个工具将作为可调用函数提供给 Agent 的工具注册表。

如何让大型研究工作流的费用保持可预测？ 在 Apify Console 中设置每次运行的支出限额。达到限额时，服务会返回 {"error": true, "message": "Spending limit reached for ..."}，而不是抛出未处理的错误。你的 Agent 可以捕获此错误并暂停处理。每次调用费用为 $0.04，100 次调用 = $4.00，可作为预算规划的可预测单位成本。

帮助我们改进

如果遇到问题，可以在 Apify 账户中启用运行共享，帮助我们更快地调试：

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

这样一来，发生问题时我们就能查看运行详情，从而更快地修复问题。你的数据仅对 Actor 开发者可见，不会公开。

支持

发现 bug 或有功能请求？请在此 Actor 页面上的问题选项卡中提交问题。如需定制企业情报解决方案或企业集成，请通过 Apify 平台联系我们。