Litigation Intelligence

诉讼情报 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": {
    "litigation-intelligence-mcp": {
      "url": "https://ryanclinton--litigation-intelligence-mcp.apify.actor/mcp"
    }
  }
}

---

诉讼情报 MCP 服务可在案件立案前检测诉讼风险。该服务让任何兼容 MCP 的 AI 客户端——Claude、Cursor、Windsurf、Cline——都能直接访问来自 7 个美国政府数据源的诉前信号，并由 4 个独立风险模型进行评分，生成综合诉讼概率评分（0-100）。

总法律顾问、合规官和诉讼融资方可以用自然语言询问 AI 助手，评估公司的诉讼风险。服务会在后台收集并评分所有数据，在几秒内返回结构化风险评估和具体行动事项。

你可以访问哪些数据？

数据点	来源	示例
📋 消费者投诉	CFPB 投诉数据库	“收取合同未授权的费用”——47 条投诉
📈 投诉趋势	CFPB 时间聚类	激增——较上一季度增加 3.2 倍
🏭 环境违规	EPA ECHO	5 条不合规记录——《清洁水法》
📄 SEC 监管文件	EDGAR	10-K、10-Q、8-K 风险披露
⚖️ 联邦执法行动	Federal Register	3 项提及“处罚”的执法规则
🏛️ 国会立法	Congress.gov	8 项法案正在委员会审议；1 项已颁布
🚫 制裁风险	OFAC SDN 名单	无风险——未匹配到 SDN
🔬 专利组合	USPTO	34 项竞争专利；最主要的受让方：AlphaTech Corp
📊 综合风险评分	4 模型算法	72 / 100——高
🚨 集体诉讼预警	争议集中度模型	警告——“账单争议”占比 34%
📉 执法态势	多机构模型	正在升级——EPA + Federal Register 交叉信号
🗂️ 立法风险	法案阶段分类器	显著——1 项已颁布，3 项已推进

为什么使用 Litigation Intelligence MCP？

手动梳理诉前风险，需要导出 CFPB 投诉数据、搜索 EDGAR、检查 EPA ECHO 设施记录、阅读 Federal Register PDF、扫描 OFAC 名单并交叉查询专利数据库——而这些工作都只针对一家公司的情况。全面审查需要分析师花费 4-6 小时，而结果快则几天内就会过时。

这个 MCP 服务会自动完成整个流程。向 AI 助手提一个问题，即可在 30-60 秒内获取涵盖全部 7 个数据源的量化评分、标记信号和具体行动事项。

• 定时运行——按周期连接底层 Apify Actor，跟踪风险态势随时间的变化
• API 访问——通过 Python、JavaScript 或任何 HTTP 客户端以编程方式调用任意工具
• 并行执行——同时查询全部 7 个数据源，而非依次查询
• 监控——通过 Apify Webhook，在诉讼评分超过设定阈值时接收 Slack 或电子邮件提醒
• 集成——将输出连接到 Zapier、Make、Google Sheets，或直接接入你的 GRC 平台

MCP 工具

工具	价格	描述
assess_litigation_risk	$0.045	结合 CFPB 投诉（投诉数量、趋势及争议回应）、EPA 违规记录和 SEC 文件，评估诉讼概率，并生成诉讼概率评分（0-100）。
detect_class_action_signals	$0.045	从 CFPB 投诉聚类中检测集体诉讼的早期预警信号。衡量问题集中度、产品模式和时间峰值。返回 NONE / WATCH / WARNING / IMMINENT。
track_enforcement_trends	$0.045	追踪 EPA 违规记录、《联邦公报》执法文件和 OFAC 制裁的监管执法趋势。返回执法趋势评分以及 DECLINING / STABLE / ESCALATING / CRITICAL 方向。
analyze_legislative_exposure	$0.045	分析待审和已颁布法案以及《联邦公报》拟议规则带来的风险。法案按阶段分类：已提出、委员会审议中、已获一院通过、已获两院通过、已颁布。
screen_sanctions_liability	$0.045	根据 OFAC SDN 名单筛查公司或个人。返回匹配数量以及 CLEAR / HIGH / CRITICAL 风险等级。
monitor_patent_disputes	$0.045	分析某项技术或公司的专利格局。返回竞争专利总数、按专利数量排名的主要受让人，以及具体专利记录。
generate_legal_landscape_report	$0.045	使用全部 7 个数据源和 4 个评分模型生成综合报告。生成综合诉讼风险评分、所有维度的子评分、全部信号及按优先级排序的行动项。

诉讼情报 MCP 的用例

总法律顾问的早期预警

中大型公司的总法律顾问团队会定期对主要交易对手和受监管业务线进行季度诉讼风险扫描。某项产品的投诉增长速度与《联邦公报》中的执法活动相结合，可以揭示原本被孤立在不同数据源中的风险。此 MCP 为法律团队提供结构化、可重复的流程，并提供量化指标以用于董事会级别的风险报告。

诉讼融资评估

诉讼融资方在投入资金前会评估案件的可行性。投诉聚类模式和 EPA 执法趋势可作为潜在诉讼的上游信号——围绕单一问题的投诉高度集中，与后续集体诉讼的提起在统计上存在相关性。此 MCP 将原本需要一周的信号提取研究转化为 60 秒的查询。

保险抗辩与准备金设定

理赔理算员和精算团队会根据投诉趋势和执法历史对诉讼准备金进行建模。某公司若投诉趋势呈 SURGING，且有 5+ 起 EPA 违规记录和争议投诉回应，其所需准备金就应高于投诉趋势为 STABLE 且执法记录为 CLEAR 的公司。每个评分维度都直接对应精算风险因素。

企业合规风险报告

准备董事会风险报告的合规官需要量化评分，而非定性摘要。此 MCP 会为每个风险维度生成数值评分（0-100）——包括诉讼概率、集体诉讼预警、执法趋势和立法风险——并列出促成评分的具体信号。这种结构化输出可直接用于合规仪表板。

专利格局与知识产权诉讼监测

科技公司和专利律师需要在产品发布前追踪竞争对手的专利组合。monitor_patent_disputes 工具会查询 USPTO 数据库，按受让人对结果分组，并显示集中度——如果某个实体在你的技术领域持有 20+ 项专利，这就是一项重大的知识产权诉讼风险因素。

制裁合规筛查

金融机构、法律团队和合规部门在开展交易对手尽职调查时，需要快速核验 OFAC SDN 名单。screen_sanctions_liability 工具会在任何 AI 助手工作流中直接返回 CLEAR / HIGH / CRITICAL 分类、匹配数量和具体匹配记录。

如何连接此诉讼情报 MCP 服务

步骤 1 — 获取 Apify API 令牌。 前往 Apify Console，并从 Settings > Integrations 中复制令牌。新账户每月可获得 $5 的免费额度。

步骤 2 — 将服务添加到 MCP 客户端。 服务 URL 始终为 https://litigation-intelligence-mcp.apify.actor/mcp。根据客户端的要求，将令牌添加为 Bearer 标头或 URL 参数。

步骤 3 — 向 AI 助手提问。 输入自然语言问题：“Acme Financial Services 的诉讼风险是什么？”AI 会自动调用合适的工具。

步骤 4 — 查看评分结果。 响应包含每个维度的数值评分、促成评分的具体信号，以及按严重程度排序的行动事项。

Claude Desktop

将以下内容添加到 claude_desktop_config.json：

{
  "mcpServers": {
    "litigation-intelligence": {
      "url": "https://litigation-intelligence-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline

将 MCP 客户端指向：

https://litigation-intelligence-mcp.apify.actor/mcp

所有支持 StreamableHTTP 传输的兼容 MCP 客户端都可以使用此服务。

将令牌作为 URL 参数（部分客户端）

https://litigation-intelligence-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN

输入参数

每个工具都有自己的参数集。所有参数都在调用时传入 — MCP 服务没有 Actor 级别的输入配置。

工具	参数	类型	必填	描述
assess_litigation_risk	company	字符串	是	要评估的公司名称
assess_litigation_risk	product	字符串	否	用于缩小投诉搜索范围的产品或服务
detect_class_action_signals	company	字符串	是	公司名称
detect_class_action_signals	product	字符串	否	用于缩小投诉搜索范围的产品或服务
track_enforcement_trends	company	字符串	是	公司名称
track_enforcement_trends	industry	字符串	否	用于提供 Federal Register 背景信息的行业领域
analyze_legislative_exposure	query	字符串	是	行业、主题或监管领域
analyze_legislative_exposure	company	字符串	否	用于补充背景信息的公司名称
screen_sanctions_liability	query	字符串	是	要筛查的公司、个人或实体名称
monitor_patent_disputes	query	字符串	是	技术、产品或公司名称
monitor_patent_disputes	assignee	字符串	否	要重点关注的特定专利受让人
generate_legal_landscape_report	company	字符串	是	公司名称
generate_legal_landscape_report	industry	字符串	否	用于搜索 Federal Register 和 Congress 的行业领域
generate_legal_landscape_report	product	字符串	否	产品或服务背景

工具调用示例

单一维度的诉讼概率评估：

{
  "tool": "assess_litigation_risk",
  "arguments": {
    "company": "Pinnacle Financial Services",
    "product": "personal loans"
  }
}

包含行业背景的完整法律环境报告：

{
  "tool": "generate_legal_landscape_report",
  "arguments": {
    "company": "Acme Chemicals Inc",
    "industry": "chemical manufacturing",
    "product": "industrial solvents"
  }
}

针对特定公司的集体诉讼预警：

{
  "tool": "detect_class_action_signals",
  "arguments": {
    "company": "Westbridge Insurance Group"
  }
}

输入提示

• 在 generate_legal_landscape_report 中提供行业背景 — industry 参数可精准筛选 Federal Register 和国会法案的搜索结果，这些搜索会通过关键词匹配大型监管数据库。
• 使用 product 缩小金融服务评估范围 — CFPB 投诉按产品分类；添加“信用卡”或“抵押贷款”可显著减少无关结果。
• 运行完整报告前，先组合使用有针对性的工具 — 先使用 detect_class_action_signals 判断是否需要深入报告；每次工具调用都会单独计费。
• 筛查制裁名单时，使用法律实体名称 — OFAC SDN 会匹配已注册的实体名称。请使用完整的法定名称，而非商号或缩写。
• 监控专利时，使用技术关键词，而非公司名称 — 搜索技术领域（例如“神经网络推理芯片”）比只搜索公司名称更容易获得相关结果。

输出示例

generate_legal_landscape_report 工具会返回一份完整的结构化 JSON 报告：

{
  "company": "Pinnacle Financial Services",
  "compositeScore": 72,
  "riskLevel": "HIGH",
  "litigationProbability": {
    "score": 78,
    "complaintCount": 34,
    "complaintTrend": "SURGING",
    "enforcementActions": 2,
    "edgarFilings": 5,
    "riskLevel": "HIGH",
    "signals": [
      "34 CFPB complaints — elevated litigation risk",
      "Complaint volume surging — 2x+ increase over prior quarter",
      "7 disputed/untimely complaint responses"
    ]
  },
  "classActionWarning": {
    "score": 64,
    "clusterCount": 3,
    "largestCluster": {
      "issue": "Incorrect information on your credit report",
      "count": 12
    },
    "productClusters": [
      { "product": "Credit reporting, credit repair services", "count": 18 },
      { "product": "Debt collection", "count": 9 }
    ],
    "issueClusters": [
      { "issue": "Incorrect information on your credit report", "count": 12 },
      { "issue": "Attempts to collect debt not owed", "count": 8 },
      { "issue": "Communication tactics", "count": 5 }
    ],
    "warningLevel": "WARNING",
    "signals": [
      "\"Incorrect information on your credit report\" — 12 complaints (35% concentration)",
      "3 distinct issue clusters with 5+ complaints each"
    ]
  },
  "enforcementTrajectory": {
    "score": 45,
    "epaViolations": 0,
    "federalRegisterActions": 4,
    "sanctionsExposure": 0,
    "trajectoryDirection": "STABLE",
    "agencies": ["Federal Register"],
    "signals": [
      "4 relevant Federal Register enforcement/rule documents"
    ]
  },
  "legislativeExposure": {
    "score": 55,
    "relevantBills": 9,
    "billsByStage": {
      "introduced": 4,
      "committee": 3,
      "passed_one": 1,
      "passed_both": 0,
      "enacted": 1
    },
    "highImpactBills": 2,
    "exposureLevel": "SIGNIFICANT",
    "signals": [
      "1 enacted bill(s) creating new compliance obligations",
      "1 bill(s) passed one chamber — advancing through Congress",
      "9 relevant bills in Congress — significant legislative attention"
    ]
  },
  "allSignals": [
    "34 CFPB complaints — elevated litigation risk",
    "Complaint volume surging — 2x+ increase over prior quarter",
    "7 disputed/untimely complaint responses",
    "\"Incorrect information on your credit report\" — 12 complaints (35% concentration)",
    "3 distinct issue clusters with 5+ complaints each",
    "4 relevant Federal Register enforcement/rule documents",
    "1 enacted bill(s) creating new compliance obligations",
    "1 bill(s) passed one chamber — advancing through Congress",
    "9 relevant bills in Congress — significant legislative attention"
  ],
  "actionItems": [
    "Complaint volume surging — consider proactive consumer outreach/settlement",
    "New legislation enacted — review compliance program for gaps"
  ]
}

输出字段

字段	类型	描述
company	string	输入中的公司名称
compositeScore	number	0-100 综合风险评分（诉讼 30% + 执法 25% + 集体诉讼 25% + 立法 20%）
riskLevel	string	根据综合评分确定的 LOW / MODERATE / HIGH / CRITICAL
litigationProbability.score	number	0-100 诉讼概率评分
litigationProbability.complaintCount	number	找到的 CFPB 投诉总数
litigationProbability.complaintTrend	string	DECLINING / STABLE / RISING / SURGING（最近 3 个月与之前 3 个月的对比）
litigationProbability.enforcementActions	number	EPA 违规/执法行动数量
litigationProbability.edgarFilings	number	找到的 SEC 10-K、10-Q、8-K 文件数量
litigationProbability.riskLevel	string	LOW / MODERATE / HIGH / CRITICAL
litigationProbability.signals	string[]	对评分有影响的具体文本信号
classActionWarning.score	number	0-100 集体诉讼风险评分
classActionWarning.clusterCount	number	投诉数达到 5 条以上的不同问题群组数量
classActionWarning.largestCluster	object	{ issue: string, count: number }——投诉数最多的问题
classActionWarning.productClusters	array	投诉数最多的前 10 种产品
classActionWarning.issueClusters	array	投诉数最多的前 10 个问题
classActionWarning.warningLevel	string	NONE / WATCH / WARNING / IMMINENT
classActionWarning.signals	string[]	具体的聚类信号
enforcementTrajectory.score	number	0-100 执法压力评分
enforcementTrajectory.epaViolations	number	找到的 EPA VIOLATION / NON-COMPLIANCE 记录数量
enforcementTrajectory.federalRegisterActions	number	《联邦公报》中的执法/处罚/规则文件数量
enforcementTrajectory.sanctionsExposure	number	OFAC SDN 名单匹配数量
enforcementTrajectory.trajectoryDirection	string	DECLINING / STABLE / ESCALATING / CRITICAL
enforcementTrajectory.agencies	string[]	对执法评分有影响的机构
enforcementTrajectory.signals	string[]	具体的执法信号
legislativeExposure.score	number	0-100 立法风险敞口评分
legislativeExposure.relevantBills	number	在国会找到的相关法案总数
legislativeExposure.billsByStage	object	各阶段的数量：introduced、committee、passed_one、passed_both、enacted
legislativeExposure.highImpactBills	number	至少已通过一个议院或已颁布的法案数量
legislativeExposure.exposureLevel	string	MINIMAL / MODERATE / SIGNIFICANT / SEVERE
legislativeExposure.signals	string[]	具体的立法信号
allSignals	string[]	汇总四个模型的所有信号
actionItems	string[]	根据 CRITICAL 级别信号生成的优先行动事项

评分模型

综合诉讼概率评分结合了四种相互独立的模型：

评分范围	风险等级	说明
0-24	LOW	所有数据源中的诉讼指标均极少
25-49	MODERATE	存在一些投诉或执法活动——每季度监控
50-74	HIGH	存在多个活跃风险信号——请法律顾问审查
75-100	CRITICAL	存在强烈的多重信号指标——必须立即进行法律评估

诉讼概率（权重 30%）： 根据 CFPB 投诉量（最高 35 分）、投诉趋势加速程度（最高 15 分）、EPA 执法行动（最高 20 分）、SEC 文件记录（最高 15 分）以及存在争议的投诉回复（最高 15 分）计算。趋势加速程度通过比较最近三个月与之前三个月的平均投诉率得出。比率达到 2.0 或更高时，将触发 SURGING 标记。

集体诉讼警告（权重 25%）： 问题集中度评分——针对最主要问题的投诉数与总投诉数之比——最高计 40 分。集群规模最高计 30 分，多个大型集群最高计 15 分，总量放大最高计 15 分。主要问题集中度达到 30% 或更高且绝对投诉数至少为 10 时，将触发具名集群信号。

执法趋势（权重 25%）： EPA VIOLATION 和 NON-COMPLIANCE 设施记录（最高 30 分）、Federal Register 执法／规则／处罚文件（最高 25 分）、OFAC SDN 匹配项（最高 30 分，每项权重较高，为 15 分），以及多个机构参与时的跨机构放大效应（最高 15 分）。单个 OFAC 匹配项即可独立触发 CRITICAL 警报。

立法风险敞口（权重 20%）： 已颁布的法案每项计 15 分（总计最高 35 分）；在两院或单院通过的法案分别计 10 分和 5 分；处于委员会审议阶段的法案最高计 20 分；法案总量最高计 20 分；Federal Register 拟议规则／最终规则最高计 25 分。

运行诉讼情报查询的费用是多少？

无论内部查询多少个数据源，每次工具调用的费用均为 $0.045。generate_legal_landscape_report 工具会并行查询全部 7 个数据源，费用同样为 $0.045。

场景	工具调用次数	每次调用费用	总费用
快速制裁筛查	1	$0.045	$0.045
诉讼概率检查	1	$0.045	$0.045
完整法律概况报告	1	$0.045	$0.045
每月监控 10 家公司	10	$0.045	$0.45
每季度审查 50 家公司的投资组合	50	$0.045	$2.25

你可以在 Apify 平台上为每次运行设置最高支出限额以控制费用。达到预算后，服务将停止处理。

Apify 免费套餐每月包含 $5 的平台额度——每月约可免费调用 111 次工具。相比之下，Dun & Bradstreet Risk Analytics 或 LexisNexis Risk Solutions 等法律数据平台的机构订阅费用为每月 $500-2,000。大多数用户每月花费不到 $5。

如何通过 API 使用诉讼情报

Python

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

# Run the full legal landscape report
run = client.actor("ryanclinton/litigation-intelligence-mcp").call(run_input={})

for item in client.dataset(run["defaultDatasetId"]).iterate_items():
    print(f"Company: {item.get('company')} | Score: {item.get('compositeScore')} | Risk: {item.get('riskLevel')}")
    for signal in item.get("allSignals", []):
        print(f"  Signal: {signal}")

JavaScript

import { ApifyClient } from "apify-client";

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

const run = await client.actor("ryanclinton/litigation-intelligence-mcp").call({});

const { items } = await client.dataset(run.defaultDatasetId).listItems();
for (const item of items) {
  console.log(`${item.company} — Score: ${item.compositeScore} (${item.riskLevel})`);
  console.log(`Class action warning: ${item.classActionWarning?.warningLevel}`);
  console.log(`Enforcement trajectory: ${item.enforcementTrajectory?.trajectoryDirection}`);
}

cURL — 直接调用 MCP 工具

# Call the generate_legal_landscape_report tool directly via the MCP endpoint
curl -X POST "https://litigation-intelligence-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "generate_legal_landscape_report",
      "arguments": {
        "company": "Acme Financial Group",
        "industry": "consumer finance",
        "product": "auto loans"
      }
    },
    "id": 1
  }'

# Call the sanctions screening tool
curl -X POST "https://litigation-intelligence-mcp.apify.actor/mcp?token=YOUR_APIFY_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "screen_sanctions_liability",
      "arguments": { "query": "Acme Financial Group" }
    },
    "id": 2
  }'

诉讼情报 MCP 的工作原理

阶段 1：并行数据收集

调用工具时，服务端会使用 Promise.allSettled，并行调度最多 7 个 Apify 包装器 Actor。每个子 Actor 都会查询各自的政府 API：cfpb-consumer-complaints 查询 CFPB 投诉数据库，epa-echo-search 查询 EPA ECHO 设施合规系统，edgar-filing-search 查询 SEC EDGAR 全文搜索，federal-register-search 查询《联邦公报》API，congress-bill-search 查询 Congress.gov，ofac-sanctions-search 查询财政部 SDN 名单，patent-search 查询 USPTO 专利全文数据库。每个子 Actor 使用 256MB 内存，超时时间为 120 秒。子 Actor 失败时会返回空数组，而不会导致整个请求失败——当个别数据源不可用时，评分模型会平稳降级。

阶段 2：时间聚类与趋势分析

投诉趋势引擎会从每条 CFPB 投诉中提取 date_received 字段，并使用正则表达式匹配模式 /^\d{4}-\d{2}$/，按 YYYY-MM 分组。引擎会计算最近三个月与此前三个月的平均投诉率。趋势比值决定“下降 / 稳定 / 上升 / 激增”分类（比值分别为：低于 0.7、0.7-1.3、1.3-2.0、2.0 及以上）。这种时间模式是诉讼前最强的信号之一——金融服务领域的投诉激增，历史上曾早于集体诉讼立案 6-18 个月。

阶段 3：问题集中度与集体诉讼评分

集体诉讼模型会按投诉的 issue 字段和 product 字段分组，按频率排序，并针对每个维度提取排名前 10 的聚类。集中度得分基于最高频的单一问题占投诉总量的比例乘以 60 计算——如果某公司 35% 的投诉都涉及同一问题（“您的信用报告中信息有误”），无论投诉绝对数量多少，都会获得较高的集中度得分。这反映了集体诉讼认证中的典型性要求：影响许多人的单一主导问题，正是法院关注的模式。

阶段 4：综合评分与行动项生成

综合得分采用加权平均计算：诉讼概率 30%、执法态势 25%、集体诉讼警示 25%、立法风险敞口 20%。每个子模型都会提供信号（易读的文本字符串），并合并到 allSignals 中。系统会根据严重级别触发条件生成行动项：集体诉讼警示达到“迫在眉睫”级别时，会触发立即聘请法律顾问的建议；任何 OFAC 制裁匹配都会触发强化尽职调查警报；投诉趋势激增会触发和解接洽建议；立法颁布会触发合规差距审查；EPA 违规达到 3 项及以上会触发环境审计建议。

提升效果的技巧

1. 在投入编写完整报告前，先运行 detect_class_action_signals。 每次调用的费用为 $0.045。先使用这个针对性工具，判断某家公司是否存在明显的投诉聚集，有助于确定哪些公司值得进行完整的 7 来源报告分析。

2. 为金融服务公司补充产品背景。 CFPB 投诉搜索如果不指定产品术语，会返回该公司所有产品的投诉。指定“mortgage”“credit card”或“auto loan”，即可将投诉分析限定在正在审查的特定业务线。

3. 在 analyze_legislative_exposure 中使用行业术语。 国会议案搜索采用关键词匹配。评估银行的立法风险敞口时，搜索“Consumer financial protection”比单独搜索公司名称更相关。

4. 通过完整报告交叉核查执法趋势。 track_enforcement_trends 工具除了返回评分结果，还会提供 EPA 原始详情和 OFAC 匹配结果。原始数据通常包含设施名称、违规日期和执法行动类型，有助于起草法律备忘录。

5. 为投资组合公司安排每月监控。 使用 Apify 内置的调度器，每月为每家投资组合公司运行 assess_litigation_risk，并将评分存储在数据集中。追踪评分随时间的变化，比单次快照更具预测价值。

6. 监控专利时，先按技术领域搜索，再按受让人搜索。 使用技术关键词运行 monitor_patent_disputes，即可查看完整的行业概况。然后再使用排名靠前的受让人重新运行，以获取其完整的专利组合——这种两步方法既能呈现竞争格局，也能揭示特定实体的风险。

7. 通过 Webhook 将输出推送到 GRC 平台。 当公司的综合评分超过 75（CRITICAL 阈值）时，Apify Webhook 可以自动将完整的 JSON 报告 POST 到你的 GRC 系统或 Slack 频道，无需人工审核。

与其他 Apify Actor 组合使用

Actor	组合方式
Regulatory Change Tracker	先运行法规变更追踪，找出影响你所在行业的新规，再使用 analyze_legislative_exposure 量化其诉讼影响
Company Deep Research	补充更广泛的公司情报（财务状况、新闻报道、高管变动），让诉讼评分提供完整的尽职调查视角
WHOIS Domain Lookup	在运行制裁筛查前核实实体身份——确认域名背后的法律实体，再决定是否进行 OFAC 检查
Waterfall Contact Enrichment	找出高风险公司后，补充联系信息，以便联系其法务或合规团队
B2B Lead Qualifier	诉讼风险评分可补充潜在客户资格评估——对于法律服务公司而言，诉讼评分为 CRITICAL 的公司属于另一类潜在客户
Multi-Review Analyzer	将 CFPB 投诉聚集情况与 Trustpilot 和 BBB 上的公开评论情绪交叉比对——投诉与负面评论相关联，可增强集体诉讼信号检测
SEC EDGAR Filing Analyzer	深入分析 SEC 维度——分析完整的 10-K 风险披露文本，查找申报数量信号可能无法捕捉的具体诉讼提及

局限性

• 无法访问法院诉讼文件数据库。 不会查询 PACER、州法院系统和 LexisNexis CourtLink。此服务检测的是诉讼前信号——诉讼文件出现前的上游数据——而非诉讼文件本身。
• CFPB 投诉仅涉及金融产品和服务。 金融行业以外的公司（制造业、医疗保健、技术）将显示零条 CFPB 投诉，这会降低诉讼概率评分对这些行业的参考价值。
• EPA ECHO 以设施为基础。 公司必须在 EPA ECHO 系统中注册设施。即使子公司存在违规行为，控股公司、空壳实体和非工业公司也可能没有 EPA 记录。
• 国会法案搜索基于关键词。 如果影响贵公司所在行业的法案标题或描述中不包含公司或行业关键词，就不会被检索到。对于广泛的监管变化，立法风险评分可能会低估风险。
• OFAC SDN 匹配基于词面，而非模糊匹配。 搜索会将公司名称用作查询字符串。查询字符串中未包含的名称变体、转写形式或别名可能导致漏掉有效匹配。对于高风险决策，务必辅以专门的制裁筛查服务。
• 专利搜索返回近期提交和公开的专利。 不包括处于保密期（公开前）的待审申请。专利格局分析反映的是已公开记录，而非完整的申请管线。
• 评分是趋势信号，并非法律意见。 评分为 85 并不意味着一定会发生诉讼，而是意味着多个上游指标处于较高水平。评分为 10 也不意味着公司不存在诉讼风险。最终评估务必咨询合格的法律顾问。
• CFPB 数据库搜索限制会影响投诉数量。 投诉数量较多的公司，其投诉数可能高于单次查询所返回的数量。对于规模极大的金融机构，评分可能低估风险。

集成

• Apify API — 在并购尽职调查或供应商入驻工作流中，以编程方式触发诉讼风险评估
• Zapier — 自动将 HIGH 或 CRITICAL 诉讼评分转至案件管理系统中的法律审核队列
• Make — 构建多步骤合规工作流，在执法趋势达到 ESCALATING 时触发更多调查
• Webhooks — 当综合评分超过设定阈值时，将评分越线提醒推送到 Slack、Teams 或 PagerDuty
• Google Sheets — 为投资组合公司维护持续更新的诉讼风险登记表，并跟踪历史评分
• LangChain / LlamaIndex — 将法律环境报告作为结构化上下文输入 RAG 管线，用于 AI 驱动的法律备忘录起草

故障排查

已知有诉讼历史的公司，评分却意外偏低 — 该服务检测的是上游数据中的诉前信号，而非正在审理的案件。某家公司可能有大量过往诉讼，但这些记录未必反映在当前的 CFPB 投诉量或 EPA 执法记录中。评分反映的是当前风险信号，而非历史诉讼记录。可结合 Company Deep Research 了解历史背景。

非金融或非工业公司的 EPA 和 CFPB 评分为零 — CFPB 仅涵盖金融服务产品。EPA ECHO 仅涵盖已注册的设施。对于科技公司、零售企业或服务行业公司，这些维度的评分自然会接近零。执法趋势和立法风险维度仍能提供参考。对于这些行业，请将 analyze_legislative_exposure 和 monitor_patent_disputes 作为主要工具。

generate_legal_landscape_report 耗时超出预期 — 完整报告会并行查询 7 个子 Actor，每个子 Actor 的超时时间为 120 秒。Apify 平台负载高峰或底层政府 API 响应缓慢（尤其是 EPA ECHO 和 Federal Register）可能会将响应时间延长至 60–90 秒。这是正常现象。请勿重试——首次调用仍在进行中。

OFAC 筛查返回意外匹配项 — OFAC SDN 名单会在政府数据库层面进行模糊匹配。常见的公司名称组成部分（例如 “National”、“International”、“Capital”）可能与无关实体的 SDN 条目匹配。请务必将返回的匹配记录与完整的 SDN 条目进行核对——在认定其确实存在制裁风险之前，请检查国家/地区、地址和实体类型。

集体诉讼警告显示 WATCH 或 WARNING，但投诉数量看起来不多 — 集体诉讼模型对投诉集中度而非绝对数量较为敏感。8 条投诉都属于同一问题类型的 10 条投诉，评分会高于平均分散在 20 种不同问题类型中的 50 条投诉。这是有意为之——问题集中度是集体诉讼的主要预测指标，而非单看投诉量。

负责任地使用

• 此服务仅查询美国政府公开可用的数据库。所有数据源均可公开访问。
• OFAC 制裁数据仅应用作初步筛查。正式的制裁合规计划需要使用经过认证的筛查工具并进行法律审查。
• 诉讼风险评分是分析信号，不构成法律建议。未经合格法律顾问审查，请勿根据评分采取行动。
• 在尽职调查工作流中使用公司和个人数据时，请遵守 GDPR、CCPA 及适用的数据保护法规。
• 如需了解公开数据使用和网页抓取合法性的指南，请参阅 Apify 的指南。

常见问题

litigation intelligence MCP 如何检测集体诉讼风险？ 集体诉讼模型会分析 CFPB 投诉记录中的问题集中度，即所有投诉中属于同一问题类型的比例。当某个问题占主导地位（集中度达 30% 以上，且绝对投诉数不少于 10 条）时，这与集体诉讼认证中的“典型性”要求相呼应：一个影响许多人的主要问题。该模型还会检测投诉量的时间性激增，这在历史上通常会早于案件立案 6–18 个月出现。

litigation intelligence MCP 是否会访问法院文件或 PACER？ 不会。此服务检测的是诉讼发生前的上游信号——消费者投诉、监管执法行动和立法压力——而非法院文件本身。如果需要监控正在审理的案件，请将此服务与专门的法院文件服务配合使用。这里的诉前信号之所以最有价值，正是因为它们会在案件立案前出现。 诉讼概率评分的准确性如何？ 这些评分是基于可公开观测数据校准的方向性信号。若某家公司出现 CFPB 投诉激增、多项 EPA 违规记录，且集体诉讼集中度达到迫在眉睫级别，那么它就存在可通过经验观察到的风险因素。这些模型并未声称经过历史案件结果数据集的统计验证。请将评分视为结构化的研究起点，而非带有置信区间的概率估计。

使用政府公开数据评估诉讼风险是否合法？ 合法。所有 7 个数据来源——CFPB、SEC EDGAR、EPA ECHO、Federal Register、Congress.gov、OFAC 和 USPTO——都是为公众访问而维护的美国政府公开数据库。查询或分析这些数据不受法律限制。如需了解更广泛的背景，请参阅 Apify 关于网页抓取合法性的指南。

典型的诉讼情报查询需要多长时间？ 单一维度工具（assess_litigation_risk、detect_class_action_signals、screen_sanctions_liability）通常会在 10-30 秒内返回。generate_legal_landscape_report 工具会并行查询 7 个来源，通常需要 30-90 秒，具体取决于政府 API 的响应时间。子 Actor 执行时，每个来源的超时时间为 120 秒。

我可以使用 litigation intelligence MCP 持续监控公司投资组合吗？ 可以。建议通过 Apify 平台调度器，按月为投资组合中的每家公司调用 assess_litigation_risk 或 generate_legal_landscape_report。将结果存储在数据集中，并使用 Webhook 在评分超过指定阈值时触发警报。每次调用费用为 $0.045，每月监控 20 家公司的费用为 $0.90。

这与 LexisNexis Risk Solutions 或 Dun & Bradstreet 有何不同？ LexisNexis 和 D&B 会将数据汇总到专有数据库中，并按机构订阅价格收费（每月 $500-2,000 或更高）。此 MCP 会在查询时直接查询原始政府数据源，返回最新数据，不存在授权延迟。此外，它可以在任何兼容 MCP 的 AI 助手中运行，让你现有的法律 AI 工作流无需单独登录平台即可获取诉讼情报。取舍是：无法访问法院案卷，也没有专有数据增强。

如果 7 个数据来源中有一个不可用，会怎样？ 服务使用 Promise.allSettled——如果任何子 Actor 失败或超时，该来源就会返回空数组，评分模型会继续使用可用数据运行。对于数据不可用的维度，响应中的评分会较低，但调用仍会完成，不会返回错误。

litigation intelligence MCP 可以用于并购尽职调查吗？ 可以，这是最适用的场景之一。在初步筛选期间，对收购目标运行 generate_legal_landscape_report，以便在投入全面法律尽职调查前发现重大诉讼风险信号。CRITICAL 综合评分或 IMMINENT 集体诉讼警告都值得深入调查。但这不能替代正式法律尽职调查，而是帮助确定重点调查方向。

执法模型会检测哪些类型的 EPA 违规？ EPA ECHO 筛选器会匹配 complianceStatus 或 status 字段中包含“VIOLATION”、“ENFORCEMENT”或“NON-COMPLIANCE”的设施合规状态记录。这些记录对应 ECHO 数据库中的正式违规通知（NOV）、处罚评估和合规时间表记录。一般许可证条件以及已解决的自行披露轻微偏差可能不会显示。

不使用 AI 助手也能运行 MCP 工具吗？ 可以。MCP 端点是一个标准 HTTP POST 端点：https://litigation-intelligence-mcp.apify.actor/mcp。你可以使用 cURL、Python 的 requests 库或任何 HTTP 客户端，按照上方 API 示例所示的 JSON-RPC 2.0 格式直接调用任意工具。无需 AI 客户端。 四个模型的综合评分如何加权？ 诉讼概率占 30%，执法趋势占 25%，集体诉讼预警占 25%，立法风险敞口占 20%。这些权重反映了各类信号对近期诉讼的相对预测价值：投诉增长速度和执法是最直接的预测指标；集体诉讼聚集是领先指标；立法风险敞口则是滞后但影响重大的结构性因素。

帮助我们改进

如果您遇到问题，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 创建者共享运行记录

这样一来，出现问题时我们就能查看运行详情，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法律情报工作流，请通过 Apify 平台联系我们。