Political Influence Network

Political Influence Network 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": {
    "political-influence-network-mcp": {
      "url": "https://ryanclinton--political-influence-network-mcp.apify.actor/mcp"
    }
  }
}

---

面向 AI 助手的政治影响力网络分析——通过一次 MCP 工具调用，绘制捐赠者、政客与立法之间的关系，检测利益冲突，并追踪通过 8 个美国政府数据源流动的隐秘资金。专为合规团队、调查研究人员和需要结构化政治情报、而不想处理原始 API 复杂性的 AI Agent 打造。

此 MCP 服务并行调度 8 个公共数据 Actor：FEC 竞选财务申报、国会议员股票交易披露、Congress.gov 法案追踪、Federal Register 监管行动、非营利组织申报、USAspending 联邦合同、OpenCorporates 企业注册信息，以及 Wikipedia 背景资料。每次工具调用都会构建一个二分政治关系图，在图上运行图算法，并返回结构化 JSON，供下游分析或 AI 推理使用。

⬇️ 可以提取哪些数据？

数据点	来源	示例
💰 竞选捐款	FEC Finance	捐赠者 → PAC → 候选人，$50,000，2024 周期
📈 国会议员股票交易	Congress Stock Tracker	议员 Jane Doe，MSFT，$15K–50K，2024 年 1 月
📋 立法与提案人	Congress Bill Search	HR 4201，《国防采购法》，2024-03 提出
📜 联邦监管行动	Federal Register Search	EPA 最终规则，石油行业，2024-02-14
🏛 非营利组织申报与财务	Nonprofit Explorer	Horizon Policy Fund 501(c)(4)，收入 $4.2M
🏗 联邦合同授予	USAspending Search	Apex Defense LLC，DoD，2024-01 获得 $8.7M 合同
🏢 企业注册信息	OpenCorporates Search	Meridian Holdings Inc.，特拉华州，2019 年注册
🔗 实体背景信息	Wikipedia	游说公司历史、PAC 概况
📊 PageRank 影响力评分	图计算	实体“Apex Defense”，PageRank 为 0.0412，集群 2
⚠️ 利益冲突标记	跨来源关联分析	立法后发生股票交易，严重程度 0.87
🕵️ 隐秘资金流动路径	多跳追踪	公司 → 501(c)(4) → PAC → 候选人，透明度缺失程度 0.90
🎯 政治风险评估	多因素评分	实体评分 0.68，风险级别“高”

为什么使用 Political Influence Network MCP？

手动追踪 FEC 申报、国会披露、联邦支出数据库和非营利组织登记信息中的政治影响力，需要数周研究。交叉比对 8 个独立 API、规范化实体名称、计算时间相关性并识别网络集群，超出了大多数分析人员手动处理的能力范围。

此 MCP 可将整个流程自动化。将其连接到 Claude、Cursor 或任何兼容 MCP 的客户端，然后用自然语言提问——服务会负责检索数据、构建关系图并进行算法分析。

• 定期执行 — 按每周频率开展政治风险监控，追踪不断变化的影响力网络
• API 访问 — 通过 Apify API 使用 Python、JavaScript 或任何 HTTP 客户端触发分析
• 代理轮换 — 所有上游 Actor 调用均使用 Apify 的基础设施，无需管理 IP
• 监控 — 影响力报告的风险级别发生变化时，接收 Slack 或电子邮件提醒
• 集成 — 将调查结果连接到 Zapier、Make、Google Sheets 或合规工作流工具

功能

• PageRank 影响力评分 — 在完整政治图谱上运行 20 轮阻尼 PageRank（阻尼因子为 0.85），根据捐赠者—政治人物—立法网络中的结构重要性对实体进行排名
• 二分图构建 — 构建一个有向多类型图，包含 8 种节点类型（政治人物、委员会、捐赠者、企业、非营利组织、机构、法案、合同）和 7 种边类型（捐赠、发起、交易、授予、游说、监管、雇用）
• 时间 Granger 因果关系 — trace_money_to_legislation 计算因果评分，结合时间邻近度分量（捐赠与法案之间的间隔天数，最长 365 天）和金额大小分量，权重分别为 60% 和 40%，以揭示可疑的时间模式
• 利益冲突检测 — 针对每个政治人物节点，将股票交易边与发起法案边进行交叉关联；另使用名称哈希匹配筛查捐赠者捐款 → 合同授予之间的相关性
• 隐秘资金路径追踪 — 通过非营利组织中间方进行多跳图遍历；根据 IRS 条款分配不透明度评分（501(c)(4) = 0.90，501(c)(6) = 0.70，其他 = 0.40）；涵盖非营利组织链路和企业到政治人物的两跳路径
• 旋转门分析 — 识别同时与机构和企业存在边连接的政治人物节点；根据连接数和带种子的哈希函数评估影响力，从而确保不同运行结果可确定性复现
• 游说投资回报率计算 — 按实体计算游说投资回报率，公式为（立法成果 × 100K 美元基础价值 + 合同金额）÷ 游说总支出；根据投资回报率估算值对所有企业和非营利组织进行排名
• 多因素风险评分 — 6 因素加权政治风险模型：捐赠集中度（0.15）、利益冲突暴露度（0.20）、隐秘资金邻近度（0.20）、合同依赖度（0.15）、网络中心性（0.15）、旋转门暴露度（0.15）
• 5 分钟 TTL 缓存 — 所有上游 Actor 调用都会按查询缓存 5 分钟，因此同一会话内重复调用工具不会产生多余的 API 成本
• 每个来源最多 500 项 — 每个上游 Actor 调用的条目上限为 500，超时时间为 180 秒；来源调用失败时返回空数组，不会导致工具崩溃
• 同时支持 SSE 和 Streamable HTTP 传输 — 支持旧版 /sse + /messages SSE 协议，以及新版 /mcp Streamable HTTP，兼容各类 MCP 客户端
• 选择性来源查询 — 每个工具默认使用最相关的来源子集；高级用户可指定 7 个来源组中的任意组合，以控制成本和分析深度

政治影响力网络分析的使用场景

企业政治风险评估

金融机构、律师事务所和 ESG 投资基金的合规官需要在接纳客户或进行投资之前了解其政治风险敞口。对企业调用 compute_political_risk_score，即可在单个结构化响应中查看其竞选财务捐款、隐秘资金邻近度、旋转门关系和合同依赖度，从而取代手动查询 FARA、FEC 和 USAspending。

调查性新闻与研究

调查监管俘获、利益输送式合同授予或国会交易模式的记者，可以要求 MCP 针对特定行业或政治人物执行 trace_money_to_legislation。Granger 因果评分会突出显示时间间隔最短、金额最大的捐赠—法案配对，为进一步调查提供有数据支撑的线索。

游说成效基准评估

贸易协会和企业的政策事务团队使用 score_lobbying_influence，了解自身游说投资回报率与同行相比如何。该工具按预估回报对网络中的所有实体进行排名，展示每美元支出对应的立法成果，以及获得的合同授予金额。

国会交易监督

追踪《股票法案》（STOCK Act）合规情况的道德监督组织和机构投资者，可以使用 detect_conflict_of_interest 筛查立法者的已披露股票交易、主要捐赠者和其提案法案之间是否存在重叠，并根据相关性强度对严重程度评分进行排名。

AI Agent 政治情报工作流

用于尽职调查、监管监测或地缘政治风险分析的 AI Agent，可以调用 generate_influence_report 这一工具，一次性获取完整的结构化简报，包括按类别列出的发现、总体风险等级和具体建议，无需串联多个工具调用。

非营利组织和暗钱调查

调查暗钱流动的反腐败研究人员和记者，可以使用 detect_dark_money_flows 追踪经由 501(c)(4) 和 501(c)(6) 组织的多跳资金路径。透明度评分可区分社会福利组织（透明度低）和更透明的资金载体。

如何连接 Political Influence Network MCP

第 1 步：连接 MCP 客户端

将服务 URL 添加到客户端的 MCP 配置中。URL 本身无需 API 密钥，服务运行在 Apify 的基础设施上。

第 2 步：选择工具

八种工具涵盖不同的分析任务。可先使用 generate_influence_report 获取完整概览，或使用 detect_conflict_of_interest 等定向工具进行特定筛查。

第 3 步：输入查询

输入政客、企业、PAC 或政策主题的名称。服务会并行查询相关数据源。

第 4 步：查看结构化结果

每种工具都会返回结构化 JSON，其中包含带评分的实体、排序后的发现，以及适用于 AI 推理或直接导出的具体建议。

MCP 工具

工具	默认数据源	价格	描述
map_influence_network	finance, trading, legislation, spending	$0.045	基于 PageRank 的捐赠者、政客和企业关系网络图
detect_conflict_of_interest	finance, trading, legislation, spending	$0.045	筛查政客的股票交易、捐赠和立法冲突
trace_money_to_legislation	finance, legislation	$0.050	格兰杰因果关系分析：捐赠 → 立法行动
analyze_revolving_door	finance, regulation, corporate	$0.045	检测政府到私营部门的转职，并进行评分
score_lobbying_influence	finance, legislation, spending, nonprofits	$0.045	游说投资回报：支出与立法成果及合同授予情况的对比
detect_dark_money_flows	finance, nonprofits, corporate	$0.050	追踪经由非营利组织的多跳非透明资金路径
compute_political_risk_score	all 7 sources	$0.045	基于多因素加权的政治风险评分（6 个因素）
generate_influence_report	all 7 sources	$0.050	完整的政治影响力情报报告及建议

工具输入参数

每种工具都接受相同的两个参数：

参数	类型	必填	默认值	描述
query	string	是	—	要调查的政客、企业、PAC 或政策主题
sources	字符串数组	否	因工具而异	数据源组："finance"、"trading"、"legislation"、"regulation"、"nonprofits"、"spending"、"corporate"

工具输入示例

筛查政客是否存在利益冲突：

{
  "query": "Senator Patricia Hartwell",
  "sources": ["finance", "trading", "legislation"]
}

追踪某个行业主题的资金流动：

{
  "query": "pharmaceutical pricing regulation",
  "sources": ["finance", "legislation", "nonprofits"]
}

企业的完整政治风险报告：

{
  "query": "Meridian Defense Systems",
  "sources": ["finance", "trading", "legislation", "regulation", "nonprofits", "spending", "corporate"]
}

暗钱调查——最低成本：

{
  "query": "Horizon Policy Fund",
  "sources": ["finance", "nonprofits", "corporate"]
}

输入提示

• 使用完整的专有名称 — “Senator John Cornyn”比“Cornyn”能返回更好的结果，因为 FEC 和 Congress.gov 会匹配完整姓名
• 使用政策主题进行行业层面的分析 — “defense procurement”或“pharmaceutical pricing”等查询，比针对单个实体的查询能检索到更广泛的关系网络数据
• 限制来源以降低成本 — trace_money_to_legislation 只需要 ["finance", "legislation"]；添加全部 7 个来源会让数据量增至 3 倍，但很少会改变最重要的发现
• 先调用 generate_influence_report — 该工具会查询所有来源，而 5 分钟的 TTL 缓存意味着，在同一会话中，之后针对同一查询调用定向工具基本无需额外成本
• 将分数视为信号，而非定论 — 因果分数高于 0.6，且风险等级为“high”或“critical”时，应深入调查，而不是直接下结论

输出示例

generate_influence_report 对“Apex Defense Corp”的结果：

{
  "findings": [
    {
      "category": "Campaign Finance",
      "finding": "14 large donations detected (>$10K each)",
      "severity": "high",
      "evidence": "Total large donation volume: $2847000",
      "recommendation": "Review FEC filings for bundling patterns and coordination indicators"
    },
    {
      "category": "Dark Money",
      "finding": "4 dark money vehicle(s) identified (501(c)(4)/(6))",
      "severity": "critical",
      "evidence": "Entities: Horizon Policy, National Growth, Freedom Coa, AmeriFirst Fu",
      "recommendation": "Trace funding flows through these entities for donor disclosure gaps"
    },
    {
      "category": "Congressional Trading",
      "finding": "7 legislator(s) with active stock trading",
      "severity": "high",
      "evidence": "23 trade(s) detected across portfolio",
      "recommendation": "Cross-reference trade timing with committee actions and legislation votes"
    },
    {
      "category": "Federal Spending",
      "finding": "Top contractor: Apex Defense Corp ($8750000)",
      "severity": "high",
      "evidence": "11 total contract award(s) in network",
      "recommendation": "Audit contractor-donor overlap and no-bid award patterns"
    },
    {
      "category": "Revolving Door",
      "finding": "6 politician(s) with agency connections",
      "severity": "high",
      "evidence": "Individuals: Sen. Hartwell, Rep. Morrison, Dep. Sec. Wynn",
      "recommendation": "Review cooling-off period compliance and post-government employment restrictions"
    }
  ],
  "overallRisk": "critical",
  "totalInfluenceValue": 11597000,
  "recommendations": [
    "Initiate comprehensive campaign finance audit",
    "Review STOCK Act compliance for flagged legislators",
    "Investigate 501(c)(4) donor disclosure gaps",
    "Audit federal procurement for pay-to-play patterns"
  ]
}

输出字段

generate_influence_report

字段	类型	描述
findings[]	数组	按严重程度排序的情报发现列表
findings[].category	字符串	类别：Campaign Finance、Congressional Trading、Dark Money、Federal Spending、Revolving Door
findings[].finding	字符串	易于理解的发现摘要
findings[].severity	字符串	"low"、"medium"、"high" 或 "critical"
findings[].evidence	字符串	支持性数据点
findings[].recommendation	字符串	具体的行动建议
overallRisk	字符串	综合风险等级："low" / "medium" / "high" / "critical"
totalInfluenceValue	数字	所有捐款和合同金额的总和，单位为 USD
recommendations[]	数组	按优先级排列的调查行动列表

map_influence_network

字段	类型	描述
nodes[]	数组	按 PageRank 降序排列的前 30 个实体
nodes[].entity	字符串	实体名称
nodes[].role	字符串	节点类型：politician、donor、corporation、nonprofit、agency、bill、contract
nodes[].pageRank	数字	PageRank 分数（保留 6 位小数）
nodes[].inDegree	数字	入边数量
nodes[].outDegree	数字	出边数量
nodes[].cluster	数字	连通分量的簇索引
totalEntities	数字	完整网络中的节点总数
totalConnections	数字	完整网络中的边总数
networkDensity	数字	图密度：2E / (N × (N-1))
topInfluencers	数组	按 PageRank 排名的前 10 个实体名称

detect_conflict_of_interest

字段	类型	描述
conflicts[]	数组	检测到的利益冲突，按严重程度降序排列
conflicts[].politician	字符串	政治人物姓名
conflicts[].entity	字符串	交易对方实体名称
conflicts[].conflictType	字符串	stock_trade_after_legislation、donor_contract_award、committee_oversight_conflict、family_financial_interest
conflicts[].severity	数字	严重程度分数，范围为 0–1
conflicts[].evidence	字符串	支持性证据文本
totalScreened	数字	已筛查的政治人物总数
conflictCount	数字	检测到的利益冲突总数
avgSeverity	数字	平均严重程度分数

trace_money_to_legislation

Field	Type	Description
links[]	array	因果评分高于 0.3 的捐款与立法关联
links[].donor	string	捐赠方实体名称
links[].recipient	string	受赠政治人物姓名
links[].amount	number	捐款金额（美元）
links[].bill	string	关联法案的名称或 ID
links[].temporalGap	number	捐款与法案提出之间的天数
links[].causalScore	number	格兰杰因果关系代理评分，范围为 0–1（0.6×时间因素 + 0.4×金额因素）
totalTracked	number	分析的捐款关联总数
suspiciousCount	number	causalScore > 0.6 的关联数
totalFlowVolume	number	可疑关联中所有捐款金额的总和

compute_political_risk_score

Field	Type	Description
assessments[]	array	按风险评分排序的前 30 个实体
assessments[].entity	string	实体名称
assessments[].riskScore	number	加权风险评分，范围为 0–1
assessments[].riskLevel	string	"low"（<0.25）、"medium"（<0.50）、"high"（<0.75）、"critical"（≥0.75）
assessments[].factors[]	array	6 个因素的明细及各自评分
assessments[].factors[].factor	string	因素名称：donation_concentration、conflict_exposure、dark_money_proximity、contract_dependency、network_centrality、revolving_door
assessments[].factors[].weight	number	该因素在综合评分中的权重
assessments[].factors[].score	number	因素评分，范围为 0–1
avgRisk	number	所有受评估实体的平均风险评分
criticalCount	number	riskLevel 为 "critical" 的实体数

分析政治影响力网络需要多少费用？

Political Influence Network MCP 采用按事件付费模式——每次调用工具均需付费。平台计算费用已包含在内。

Tool	每次调用价格
map_influence_network	$0.045
detect_conflict_of_interest	$0.045
trace_money_to_legislation	$0.050
analyze_revolving_door	$0.045
score_lobbying_influence	$0.045
detect_dark_money_flows	$0.050
compute_political_risk_score	$0.045
generate_influence_report	$0.050

典型会话费用示例：

场景	工具调用次数	预估费用
快速检查（一个工具）	1	$0.045–$0.050
定向分析（3 个工具）	3	$0.135–$0.150
全面调查（全部 8 个工具）	8	$0.370
每日监控（每天 1 份报告 × 30 天）	30	$1.50
每周团队工作流（每周 5 次查询 × 4 周）	20	$0.90–$1.00

5 分钟的 TTL 缓存意味着，在同一会话中对同一查询调用多个工具时，会复用上游数据——每个查询只有首次工具调用会产生上游 actor 费用。你可以在 Apify 控制台中为每次运行设置最高支出限额，以自动控制费用。

相比之下，商业政治情报平台会为类似数据收取每月 $500–$2,000 的费用。使用此 MCP，大多数团队的日常监控工作流每月花费不到 $5。

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": {
    "political-influence-network": {
      "url": "https://political-influence-network-mcp.apify.actor/mcp"
    }
  }
}

Cursor

将以下内容添加到 Cursor MCP 设置（~/.cursor/mcp.json）：

{
  "mcpServers": {
    "political-influence-network": {
      "url": "https://political-influence-network-mcp.apify.actor/mcp"
    }
  }
}

Windsurf / Cline / 其他 MCP 客户端

使用 Streamable HTTP 端点：

https://political-influence-network-mcp.apify.actor/mcp

或者，对于需要使用旧版 SSE 端点的客户端：

https://political-influence-network-mcp.apify.actor/sse

Python（通过 Apify API）

from apify_client import ApifyClient

client = ApifyClient("YOUR_API_TOKEN")

# Start the MCP server actor in standby mode
run = client.actor("ryanclinton/political-influence-network-mcp").call(run_input={})

# The server exposes MCP tools at the actor's standby URL
# Use an MCP client library to connect to the /mcp endpoint
print(f"MCP server URL: https://political-influence-network-mcp.apify.actor/mcp")

JavaScript

import { ApifyClient } from "apify-client";

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

// Start actor in standby mode and connect via MCP client
const run = await client.actor("ryanclinton/political-influence-network-mcp").call({});

// Connect your MCP client to the standby endpoint
console.log("MCP server endpoint: https://political-influence-network-mcp.apify.actor/mcp");
console.log("Run ID:", run.id);

cURL — 通过 Streamable HTTP 直接调用工具

# Send a tool call via Streamable HTTP (single-request mode)
curl -X POST "https://political-influence-network-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "id": 1,
    "params": {
      "name": "generate_influence_report",
      "arguments": {
        "query": "Apex Defense Corp",
        "sources": ["finance", "trading", "legislation", "spending", "nonprofits", "corporate"]
      }
    }
  }'

Political Influence Network MCP 的工作原理

阶段 1：并行组装数据

调用工具时，resolveData() 会通过 Promise.all 并行调用最多 7 个上游 Actor。每个来源组都按 (source, query) 键缓存，TTL 为 5 分钟，因此，在同一查询上调用多个工具的会话只需支付一轮上游调用的成本。每次 Actor 调用的超时时间为 180 秒，最多检索 500 项；调用失败时会返回空数组，因此部分数据不会导致工具崩溃。

8 个上游 Actor 分别是：ryanclinton/fec-campaign-finance、ryanclinton/congress-stock-tracker、ryanclinton/congress-bill-search、ryanclinton/federal-register-search、ryanclinton/nonprofit-explorer、ryanclinton/usaspending-search、ryanclinton/opencorporates-search 和 ryanclinton/wikipedia-article-search。

阶段 2：构建二分图

buildPoliticalNetwork() 接收来自全部 8 个来源的原始数组，并使用基于 Map 的去重保护（nodeMap）构建有向多类型图，以避免节点重复。节点带有 8 个类别的类型标签；边带有类型化的关系标签（捐赠、赞助、交易、授予、游说、监管、雇用）、浮点权重、金额，以及可用时的 ISO 日期字符串。推断出的游说边会通过轮询分配模式添加到企业／非营利组织节点与机构节点之间，以模拟非结构化的游说关系。

阶段 3：执行图算法

每个工具都会在组装好的网络上运行不同的算法：

• map_influence_network — 使用阻尼系数 0.85 迭代执行 20 次 PageRank，然后基于 BFS 对连通分量进行聚类。返回 PageRank 排名前 30 的节点，以及入度、出度和聚类分配结果。
• trace_money_to_legislation — 对每条 donates 边，查找受赠政治人物的所有 sponsors 边，计算捐赠日期与法案提出日期之间相差的天数，并计算综合因果评分（0.6 × 时间接近度评分 + 0.4 × 归一化金额评分）。返回评分高于 0.3 的关联，其中“可疑”定义为评分 > 0.6。
• detect_conflict_of_interest — 分别进行两项筛查：（1）按政治人物计算交易 × 赞助的交叉组合；（2）匹配捐赠者与合同授予记录中的名称。严重程度评分使用实体 ID 对上的带种子确定性伪随机函数，以确保结果可复现。
• detect_dark_money_flows — 构建基于 Map 的邻接表，然后专门追踪经过非营利组织中间节点的两跳路径。根据 IRS 子章节分配资金透明度：501(c)(4) = 0.90、501(c)(6) = 0.70、其他 = 0.40。还会追踪企业到企业再到政治人物的链路。
• compute_political_risk_score — 使用权重总和固定为 1.0 的 6 因素线性组合，生成范围为 [0,1] 的评分，并以 0.25 / 0.50 / 0.75 为阈值，划分低／中／高／严重等级。

阶段 4：交付结构化响应

结果会序列化为 JSON，并作为 MCP text 内容返回。服务支持面向旧版客户端的 SSE（/sse + /messages），也支持面向现代客户端的 Streamable HTTP（/mcp）。在非待机模式（直接运行 Actor）下，服务启动后会记录运行状况检查，并在 1 秒后正常退出。

获得最佳结果的技巧

1. 从 generate_influence_report 开始——它会查询全部 7 个来源组，并填充 5 分钟 TTL 缓存。同一查询在接下来的 5 分钟内进行的所有工具调用都会复用缓存数据，这意味着完整的 8 工具调查总成本约为 $0.37，而不是 8 倍的上游数据获取成本。

2. 使用政策主题进行行业层面的映射——“药品定价”或“国防采购”之类的查询会检索到比单个实体名称更广泛的网络。当你想了解哪些参与者在某个监管领域最具影响力，而不是筛查已知实体时，这很有用。

3. 将 detect_conflict_of_interest 与 trace_money_to_legislation 结合使用——第一个工具会找出存在相关性模式的政客；第二个工具会量化时间上的因果关系。使用缓存数据运行这两个工具的成本为 $0.095，并能从两个互补的角度呈现潜在影响力。

4. 谨慎解读 causalScore 阈值——高于 0.6 的分数表示捐款与立法之间既时间间隔较短（约 6 个月以内），资金量也较大。这些是调查的起点，而非不当行为的证据。

5. 使用 sources 控制范围和成本——detect_dark_money_flows 只需要 ["finance", "nonprofits", "corporate"]。添加 "trading" 和 "legislation" 会增加数据量，却不会提升暗钱检测效果。每增加一个来源，都会增加上游 Actor 调用。

6. 每周安排 compute_political_risk_score 运行——对于持续监控供应商或交易对手，可使用 Apify 的 scheduler 安排 Actor 每周针对关键实体列表运行。两次运行之间风险等级的变化表明出现了值得调查的变动。

7. 将调查结果导出到 Google Sheets——使用 Apify → Google Sheets 集成记录每周风险评分，以便跟踪不同报告周期内的趋势。

8. 与公司尽职调查 Actor 结合使用——将此 MCP 的输出与 Company Deep Research 配合使用，全面了解政治风险敞口以及财务和声誉信号。

与其他 Apify Actor 结合使用

Actor	组合方式
Company Deep Research	在运行 generate_influence_report 后运行，以便在政治风险图景中加入财务、声誉和新闻信号
WHOIS Domain Lookup	识别网络中发现的 PAC 和暗钱载体网站的受益所有权
B2B Lead Qualifier	为影响力网络中的企业实体评分，以便开展业务拓展
SEC EDGAR Filing Analyzer	将游说实体与 SEC 披露信息交叉比对，以分析内幕交易与政治风险之间的相关性
Trustpilot Review Analyzer	为影响力网络中被标记的企业加入来自客户评价的声誉信号
Website Tech Stack Detector	调查网络分析中发现的 PAC 和暗钱组织的数字基础设施
Multi-Review Analyzer	汇集多个平台上针对被标记政治实体的公众情绪，以便全面开展尽职调查

局限性

• 仅涵盖美国联邦数据 — 所有 8 个数据源都涵盖美国联邦政治。州级竞选财务、州议会追踪和美国以外的政治体系不在范围内。
• FEC 报告存在延迟 — FEC 处理竞选财务申报的时间可能比实际捐款晚几天到几周。近期捐款可能尚未显示。
• 国会议员股票交易披露存在延迟 — 根据《STOCK Act》，国会议员最多有 45 天（申请延期时为 60 天）报告交易。近期交易可能尚未显示在数据中。
• 因果评分是代理指标，并非证据 — Granger 因果关系实现将时间接近程度和捐款金额用作代理指标，无法证明意图、协调或利益交换安排。
• 暗钱数据本质上不完整 — 501(c)(4) 组织无需披露捐赠者。透明度评分反映的是结构性的不透明可能性，而非已确认的隐瞒行为。
• 实体名称匹配为近似匹配 — 图谱构建使用字符串哈希进行实体去重，而非身份解析。同一人或组织的不同拼写可能会生成独立节点。
• 数据源每次最多返回 500 项 — 每次上游 Actor 调用最多返回 500 项。对于匹配数千条 FEC 记录的查询，将使用最新或最相关的 500 项。
• 不涵盖州或地方政治数据 — 不涵盖州级 PAC、州议会法案、州级合同和市级竞选财务。
• 旋转门数据为推断得出 — 旋转门分析会检测网络中同时与政府机构和私营部门存在关联的政客；它不会访问专门的就业历史数据库。

集成

• Zapier — 为实体观察名单触发每周政治风险报告，并将严重级别的调查结果发送到 Slack 频道或通过电子邮件提醒
• Make — 构建自动化合规工作流，提取影响力报告、按风险级别筛选，并在项目管理工具中创建任务
• Google Sheets — 持续记录企业实体组合的风险评分，追踪不同报告期内的政治风险趋势
• Apify API — 通过 REST API 从自己的合规仪表板或内部工具以编程方式触发影响力分析
• Webhooks — 在计划分析运行完成或检测到严重风险调查结果时接收推送通知
• LangChain / LlamaIndex — 在 AI 推理链中将 MCP 工具用作函数调用工具，以构建自动化尽职调查流水线

故障排除

• 工具返回的发现为空 — 查询可能与当前数据源中的实体不匹配。请尝试扩大查询范围（例如使用行业名称，而非特定公司），或添加更多来源组。确认该实体存在于美国联邦数据中。

• 因果得分均低于 0.3 — 这表示未发现高于阈值的捐款与立法时间相关性，或者数据源未返回足够的捐款和法案数据。请尝试将 "trading" 和 "regulation" 添加到 sources 数组，以便在网络中纳入更多节点。

• 运行时间超出预期 — 服务会并行调用最多 7 个上游 Agent，每个调用的超时时间为 180 秒。完整的 7 个来源查询可能需要 60–120 秒。将来源限制为 2–3 组可显著缩短耗时。

• 所有暗钱流条目的不透明度均为 0.4 — 这表示查询返回的非营利组织未填写 IRS 子条款元数据。FEC 与非营利组织数据的重叠情况取决于查询内容；请尝试直接按名称查询已知的 501(c)(4) 组织。

• 所有 PageRank 得分看起来都差不多 — 对于稀疏图（相较于节点数量，边的数量较少），PageRank 值会趋近于 1/N。添加更多来源组，以提高政治网络中的边密度。

负责任地使用

• 此 MCP 服务仅查询公开的政府数据库：FEC、Congress.gov、Federal Register、USAspending、非营利组织申报资料、OpenCorporates 和 Wikipedia。
• 统计相关性和影响力得分并不能作为非法活动或不当行为的证据。
• 请勿仅依据算法得分，就使用此工具对个人或组织作出诽谤性指控。
• 发布基于这些数据得出的发现时，请遵守适用法律，包括诽谤和隐私法规。
• 有关网络抓取和公开数据合法性的指导，请参阅 Apify 的指南。

❓ 常见问题

Political Influence Network MCP 每次工具调用会查询多少个数据源？ 每个工具会根据默认配置查询 2 到 7 个数据源。generate_influence_report 会查询全部 7 个来源组。你可以使用 sources 参数限制来源，以降低成本并缩短响应时间。

Political Influence Network MCP 能证明腐败或非法活动吗？ 不能。这些工具用于识别统计模式、时间相关性和网络结构。较高的政治风险得分或 Granger 因果关系得分，表示与影响力相关的风险模式暴露程度较高，并不能证明存在不当行为。所有发现都应视为需要进一步核实的调查线索。

政治影响力数据有多新？ FEC 的竞选财务数据通常有几天到几周的报告延迟。根据 STOCK Act 规定，国会议员股票交易披露可能延迟最多 45–60 天。USAspending 上的联邦支出数据通常会在合同授予后的几个工作日内更新。

使用此工具分析政治影响力网络合法吗？ 合法。全部 8 个上游数据源——FEC、Congress.gov、Federal Register、USAspending、非营利组织申报资料（IRS 990）、OpenCorporates 和 Wikipedia——均可公开访问。FEC 和 USAspending 数据库明确旨在促进公众透明度和问责。请参阅 Apify 关于网络抓取合法性的指南。

什么是 Granger 因果关系得分？什么阈值才有意义？ trace_money_to_legislation 中的因果得分采用 0–1 的刻度，综合了时间接近程度（权重为 60%）和捐款金额（权重为 40%）。高于 0.6 的得分会被标记为“可疑”——这表示一笔数额可观的捐款，在一项受资助法案提出前大约不到 6 个月发生。0.3 到 0.6 之间的得分表示这种关联值得注意，但信号较弱。 Political Influence Network MCP 与 OpenSecrets 或 FollowTheMoney 有何不同？ OpenSecrets 和 FollowTheMoney 提供基于 Web 的数据门户。此 MCP 提供编程接口，AI 助手和自主 Agent 可以直接调用。它在一次调用中整合多个数据源，自动计算跨数据源的网络分析，并返回结构化 JSON，而不是 HTML 页面。它还会揭示一些需要在 Web 门户上花费数小时手动交叉比对才能发现的洞察。

我可以分析州级或国际政治影响力吗？ 目前还不行。所有 8 个数据源都仅限于美国联邦政治。当前 Actor 集合不涵盖州级竞选财务数据（NIMSP、州伦理数据库）、州议会和美国以外的政治数据。

暗钱检测如何运作？ detect_dark_money_flows 工具会追踪经过非营利中介机构的两跳资金路径。它使用 IRS 分类数据来分配不透明度评分：501(c)(4) 社会福利组织（不透明度 0.90）和 501(c)(6) 行业协会（不透明度 0.70）在结构上比其他类型的非营利组织更不透明。它还会检测绕过直接捐款限额的“公司 → 中介机构 → 政治人物”链路。

我可以按计划运行 Political Influence Network MCP 吗？ 可以。你可以在 Apify 平台上按任意间隔安排 Actor 运行，例如每天、每周，或使用自定义 cron 表达式。检测到新的高风险模式时，可以使用 Webhook 或 Apify → Zapier/Make 集成，将发现结果发送到你的告警系统。

如果 8 个上游 Actor 中的某个失败或未返回数据，会发生什么？ 每次上游 Actor 调用都由 try/catch 代码块封装。失败的调用会返回空数组，不会中断运行。政治网络会根据成功返回数据的数据源构建。部分网络可能会产生较少的发现结果，但不会导致错误。

完整的 8 工具调查会话需要多少钱？ 在一个会话中使用同一查询调用全部 8 个工具，费用约为 $0.37。由于缓存 TTL 为 5 分钟，首次工具调用会获取所有上游数据；缓存有效期内后续的工具调用会复用这些数据。首次调用之后，每增加一个工具的实际增量成本仅为每事件费用（$0.045–$0.050）。

我可以将 Political Influence Network MCP 与 LangChain 或 LlamaIndex 搭配使用吗？ 可以。任何支持 MCP 协议的框架都能连接到此服务。LangChain 的 MCP 集成和 LlamaIndex 的工具调用接口都可以使用 /mcp Streamable HTTP 端点。有关集成指南，请参阅 Apify 的 MCP 文档。

帮助我们改进

如果你遇到问题，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 Actor 创建者分享运行记录

这样一来，出现问题时我们就能查看你的运行详情，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 或有功能需求？请在此 Actor 页面上的 问题选项卡 中提交问题。如需定制解决方案或企业集成，请通过 Apify 平台联系我们。