Quantum-Inspired Supply Chain MCP Server

量子启发式供应链 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": {
    "quantum-inspired-supply-chain-mcp": {
      "url": "https://ryanclinton--quantum-inspired-supply-chain-mcp.apify.actor/mcp"
    }
  }
}

---

以 MCP 服务的形式提供量子启发式供应链优化——连接 Claude、Cursor 或任意 MCP 客户端，即可使用 8 种高级分析工具，同时从 17 个实时数据源 获取数据。专为供应链分析师、风险管理人员和合规团队打造，帮助他们摆脱基于电子表格的风险模型，运用真正的算法智能。

每种工具都采用独特的计算方法：用于网络流优化的张量列车 MPS 分解、用于级联故障模拟的相关超图渗流、用于制裁规避检测的 VF2 子图同构、用于供应商竞争的 N 玩家报童贝叶斯博弈，以及用于气候尾部风险的多变量广义帕累托分布拟合。无需编写代码——向 AI 助手提问，即可获得结构化结果。

你可以访问哪些数据？

数据点	来源	示例
📦 按商品和国家对划分的双边贸易流	UN COMTRADE	半导体出口：台湾 → 韩国，$42B
🏛️ 美国政府合同机会和授标信息	SAM.gov	“Advanced Composites”——847 项有效招标
💰 按供应商和项目划分的联邦合同支出	USAspending	Lockheed Martin：2024 年国防合同金额 $12.3B
🏢 企业注册信息和所有权结构	OpenCorporates	Pinnacle Holdings Ltd → 3 家空壳子公司，BVI
🇬🇧 英国公司申报文件和董事关系	UK Companies House	Nexus Logistics UK——受益所有人：Chen Wei
🔗 法人机构识别编码和母子公司链	GLEIF LEI	LEI 5493001KJTIIGC8Y1R12 → 最终母公司：BASF SE
🚫 OFAC 制裁名单和受封锁人员	OFAC	VTB Bank JSC——自 2022 年 2 月起被封锁
🌐 全球制裁、PEP 和观察名单覆盖范围	OpenSanctions	覆盖 240 多个来源数据集中的 210 多万家实体
🌩️ 强烈天气事件和风暴路径	NOAA	4 级台风——9 月 14 日在台湾登陆
🌍 地震活动、震级和震中	USGS Earthquake	M6.2——台湾花莲西北 40km
🆘 全球灾害警报和早期预警	GDACS	红色警报：长江流域发生洪灾
🇺🇸 美国紧急状态声明和 FEMA 灾害数据	FEMA	DR-4776：密西西比州洪灾——已批准 $340M
📈 股票报价、财务数据和市场信号	Finnhub	TSMC：$142.80，市盈率 22.4，TTM 营收 $88.9B
💱 外汇汇率和货币波动率	Exchange Rates	TWD/USD：0.0312，30 天波动率：3.8%
⚡ 电动汽车充电和能源基础设施位置	OpenChargeMap	大东京地区有 4,200 个快充站
📍 地理编码和反向地理编码	Nominatim	“高雄港” → 22.6163°N，120.2796°E
🗺️ 兴趣点和工业设施	OSM POI	新竹科学园区有 23 座半导体晶圆厂

为什么要使用 Quantum-Inspired Supply Chain MCP Server？

手动评估供应链风险，意味着要从 COMTRADE 提取贸易数据、交叉比对制裁名单、搜索企业注册信息、查看天气预警——还得在不同标签页中分别完成这些操作，无法关联各项信号。这个过程需要专业分析师花费 2-3 天评估一个供应链环节，却仍会遗漏不明显的连锁风险。

这个 MCP 服务会自动并行执行全部 17 项数据收集调用，然后运用张量分解、图渗流、博弈论等计算算法，揭示人工审查无法发现的模式。你的 AI 助手只需调用一次工具，就能回答“如果排名前三的台湾供应商同时停摆，我的半导体供应链会发生什么？”

• 待机模式——服务保持就绪，可在几秒内响应，而非几分钟；对时间敏感的查询不会遭遇冷启动延迟
• API 访问——使用 Apify API，通过 Python、JavaScript 或任何 HTTP 客户端触发分析
• 支出控制——为每个会话设置最高支出限额，确保工具调用成本不超出预算
• 监控——运行失败或产生意外结果时，通过 Slack 或电子邮件接收提醒
• 集成——连接 Zapier、Make 或自定义 Webhook，按计划触发供应链分析

功能

• 张量列车（MPS）分解 — 通过连续 SVD 截断，将供应网络分解为由键维度连接的核心矩阵，从而揭示原始贸易流数据中看不到的潜在依赖关系
• 通过 LP 松弛进行多商品流优化 — 使用拉格朗日对偶上的投影梯度下降，在满足流量守恒和容量约束的条件下最小化总成本；识别达到容量上限的瓶颈边
• 相关超图渗流 — 将共享商品组故障建模为超边相关故障，而非独立边故障；默认通过 1,000 次模拟运行的蒙特卡洛估算巨型连通分量占比
• 通过二分搜索确定临界渗流阈值 p_c — 精确定位网络从一个连通分量碎裂为多个孤立区域时的故障概率
• 用于规避制裁的 VF2 子图同构 — 通过带可行性剪枝的状态空间树搜索，将 5 种规避模式模板（空壳公司链、名义持有人结构、分层所有权、跨辖区转移、隐瞒受益所有人）与实时企业所有权图进行匹配
• N 玩家报童贝叶斯博弈 — 使用 Beasley-Springer-Moro 有理近似，通过对数正态需求的逆累积分布函数计算纳什均衡；通过将需求分配给所有已识别的供应商玩家进行蒙特卡洛利润模拟
• 无政府状态代价量化 — 衡量纳什均衡总订购量与社会最优之间的效率损失，展示供应商竞争对供应链绩效的影响程度
• 多变量 GPD 气候尾部风险 — 基于 4 个灾害数据源中超过阈值的超限值，使用矩估计法拟合 GPD 参数（形状参数 xi、尺度参数 sigma）；计算尾部依赖系数 chi，以衡量不同地点极端事件的共同发生情况
• 100 年重现期估算 — 将 F(x) = 1 - (1 + xi*x/sigma)^(-1/xi) 应用于每个供应节点位置，以量化其遭受极端事件的风险
• 代数连通度（Fiedler 值）韧性 — 通过带消去的幂迭代计算图拉普拉斯矩阵的 lambda_2；数值越高，表示网络需要同时发生更多故障才会碎裂
• A-F 综合韧性等级 — 使用加权公式 R = 0.4norm(lambda_2) + 0.35p_c + 0.25*(1/rank)，结合三项独立结构指标
• MERA 分层粗粒化 — 多尺度纠缠重整化可识别在网络层级多个尺度上都保持关键地位的节点，而不仅是局部关键节点
• 包含成本影响的应急路由 — 将流量从中断节点改道至最近的可用替代节点，并计算精确的成本增幅百分比和不可满足的需求
• 并行调用 17 个数据源 — 所有 actor 调用均使用 Promise.all 实现超时限制内的并发执行；典型工具调用在 3-5 分钟内完成

供应链风险分析用例

出口管制与制裁合规

负责出口管制项目的合规人员在提交 EAR/ITAR 文件之前，需要确认供应链的每一层都不存在 OFAC 封锁实体和规避制裁结构。手动搜索登记信息容易遗漏分层所有权。identify_sanctions_circumvention 会同时对实时 OFAC、OpenSanctions、OpenCorporates、GLEIF 和 UK Companies House 数据运行 VF2 子图匹配，并返回规避风险评分、匹配到的规避模式类型及所有权链。

半导体和关键矿产供应链映射

管理关键组件供应的采购团队需要了解哪些地理节点的集中风险最高。optimize_tensor_network_flow 基于 UN COMTRADE 双边流量数据和企业数据构建完整网络，运行张量列分解以发现潜在依赖关系，并通过求解多商品流问题找出瓶颈节点。查询“稀土钕 中国 日本”之类的内容，即可返回包含产能和流量数据的完整供应商—制造商—分销商图谱。

中断情景规划和业务连续性

制定业务连续性计划的风险管理人员需要了解 Tier 1 供应商故障实际会波及哪些环节。detect_disruption_cascade 接收指定的触发节点，并运行 1,000 次蒙特卡洛超图渗流模拟，以估算有多少下游节点会发生故障，以及级联深度。它会识别移除后造成最大系统性损害的关键节点，为确定冗余投资优先级提供依据。

用于 ESG 报告的气候物理风险评估

ESG 团队和保险承保人员需要量化供应链中每个设施面临的气候物理风险。assess_climate_vulnerability 会针对每个节点位置的 NOAA、USGS、GDACS 和 FEMA 超越值拟合多变量 GPD，并按节点生成风险等级（LOW/MEDIUM/HIGH/CRITICAL）、百年一遇重现期估算值，以及用于相关多地点灾害情景的尾部依赖系数。

供应商谈判和市场结构分析

参与供应商谈判的品类经理可以通过了解理论纳什均衡订货量，以及供应商竞争会在多大程度上降低供应效率而获益。simulate_supplier_game 会从贸易和企业数据中识别供应商，计算每个参与者在对数正态需求不确定性下的最优订货量，并量化无政府状态价格——即竞争均衡与社会最优之间的差距。

基础设施监控和瓶颈节点优先级排序

管理全球物流的运营团队需要一份节点排名，明确哪些节点一旦失效，会对整体网络造成最大损害。monitor_critical_chokepoints 综合四项信号——介数中心性、跨尺度的 MERA 持续性、级联故障影响和代数连通性贡献——生成汇总的瓶颈节点排名及系统风险摘要。

如何连接此 MCP 服务

步骤 1：获取 Apify API 令牌

前往 Apify 控制台 并复制 API 令牌。你需要在连接 URL 中使用该令牌。

步骤 2：添加到 MCP 客户端

Claude Desktop — 添加到 claude_desktop_config.json：

{
  "mcpServers": {
    "quantum-supply-chain": {
      "url": "https://quantum-inspired-supply-chain-mcp.apify.actor/mcp?token=YOUR_API_TOKEN"
    }
  }
}

Cursor — 在 ~/.cursor/mcp.json 下的 Cursor MCP 设置中添加：

{
  "mcpServers": {
    "quantum-supply-chain": {
      "url": "https://quantum-inspired-supply-chain-mcp.apify.actor/mcp?token=YOUR_API_TOKEN"
    }
  }
}

Windsurf / Cline / 任意兼容 MCP 的客户端 — 使用相同的 URL 格式。

步骤 3：开始查询

向 AI 助手提问：“使用量子供应链服务评估台湾和韩国的半导体供应链——识别关键瓶颈节点和中断风险。”

此服务会并行调用多达 17 个数据源，并返回结构化结果。

工具参考

optimize_tensor_network_flow

从全部 17 个数据源构建供应网络。通过顺序 SVD 截断应用张量列车 MPS 分解，以揭示潜在的供应链结构。通过 LP 松弛求解多商品流，并在拉格朗日对偶问题上使用投影梯度下降。

输入参数：

参数	类型	必填	描述
query	string	是	供应链查询，例如 "semiconductor chips Taiwan Korea"
commodities	string[]	否	要追踪的特定商品，例如 ["chips", "lithium"]
source_nodes	string[]	否	用于锚定流问题的已知供应商节点名称
sink_nodes	string[]	否	已知的目的地／需求节点名称

**费用：**每次调用 $200-300。并行调用 17 个 actor。

---

detect_disruption_cascade

使用相关随机超图渗流模拟网络中的级联故障。通过蒙特卡洛估算最大连通分量占比，并通过二分搜索计算临界渗流阈值 p_c。

输入参数：

参数	类型	必填	默认值	描述
query	string	是	—	用于构建网络的供应链查询
trigger_nodes	string[]	否	第一个网络节点	要模拟为初始中断节点的节点 ID
propagation_probability	number	否	0.3	中断沿边传播的基础概率（0-1）
monte_carlo_runs	number	否	1000	蒙特卡洛级联模拟次数

**费用：**每次调用 $200-300。

---

identify_sanctions_circumvention

使用 VF2 子图同构检测规避制裁的模式。将 5 种已知的规避模式模板与基于 OpenCorporates、UK Companies House、GLEIF LEI、OFAC 和 OpenSanctions 构建的实时企业所有权图进行匹配。

输入参数：

参数	类型	必填	描述
query	string	是	用于制裁筛查的实体或供应链查询
entity_name	string	否	要调查的特定实体名称

**费用：**每次调用 $150-250。调用 8 个 actor。

---

simulate_supplier_game

N 人报童贝叶斯博弈模拟。通过对数正态需求的逆 CDF 和 Beasley-Springer-Moro 有理近似计算纳什均衡。使用需求拆分进行蒙特卡洛利润模拟。衡量效率损失（无政府价格）。

输入参数：

参数	类型	必填	默认值	描述
query	string	是	—	用于识别供应商参与者的供应链查询
total_demand	number	否	1000	市场总需求量（单位）
demand_uncertainty	number	否	0.3	需求波动性——对数正态 sigma
unit_price	number	否	10	单位售价
unit_cost	number	否	6	每订购单位的成本
monte_carlo_runs	number	否	5000	蒙特卡洛模拟次数

**费用：**每次调用 $100-200。调用 5 个 actor。

---

assess_climate_vulnerability

使用矩量法拟合 NOAA、USGS、GDACS 和 FEMA 数据中超阈值事件的多变量 GPD 参数（xi、sigma）。计算尾部相关系数 chi，以评估多地点共同发生风险。返回各节点的风险等级和百年重现期估算值。

输入参数：

参数	类型	必填	描述
query	string	是	地点或供应链查询
region	string	否	要重点关注的地理区域，例如 "Southeast Asia"

**费用：**每次调用 $150-250。调用 8 个 actor。

---

compute_resilience_score

三项指标构成的综合韧性评分：（1）通过带消元的幂迭代计算代数连通度 lambda_2；（2）通过超图蒙特卡洛计算渗流阈值 p_c；（3）张量列车秩。公式：R = 0.4norm(lambda_2) + 0.35p_c + 0.25*(1/rank)。返回 A-F 等级。

输入参数：

参数	类型	必填	描述
query	string	是	用于构建和评估的供应链查询
trigger_nodes	string[]	否	用作渗流分析级联触发器的节点

成本： 每次调用 $200-300。并行调用 17 个参与者。

---

plan_contingency_routing

求解当前网络的最优多商品流，然后将所有流量绕过指定的中断节点，重新路由至最近的可用替代节点。计算精确的成本增幅，并识别中断后变得不可行的需求。

输入参数：

参数	类型	必填	描述
query	string	是	用于构建网络的供应链查询
disrupted_nodes	string[]	是	已中断或离线的节点 ID
commodities	string[]	否	要重新路由的特定商品

成本： 每次调用 $200-300。并行调用 17 个参与者。

---

monitor_critical_chokepoints

完整流程：介数中心性（基于 BFS）、用于检测无标度结构的 MERA 分层粗粒化、级联故障影响评分，以及代数连通度韧性分析。在多个分析层级被标记为瓶颈的节点将获得最高排名。

输入参数：

参数	类型	必填	描述
query	string	是	用于全面监控的供应链查询
trigger_nodes	string[]	否	用作故障触发器进行测试的节点

成本： 每次调用 $250-400。完整分析流程。

输出示例

optimize_tensor_network_flow — 输出示例

{
  "nodeCount": 142,
  "edgeCount": 387,
  "tensorTrainRank": 8,
  "truncationError": 0.0023,
  "bondDimensions": [4, 8, 8, 6, 4, 4, 3, 2],
  "hyperedgeCount": 31,
  "flowOptimization": {
    "totalCost": 284700,
    "feasible": true,
    "bottleneckCount": 7,
    "topBottlenecks": [
      { "edge": "TSMC_Hsinchu -> Samsung_Pyeongtaek", "utilization": 0.97 },
      { "edge": "Shanghai_Port -> Rotterdam_Port", "utilization": 0.94 },
      { "edge": "Shenzhen_Foxconn -> Apple_Distribution_US", "utilization": 0.91 }
    ]
  },
  "nodes": [
    { "id": "TSMC_Hsinchu", "type": "manufacturer", "country": "TW", "capacity": 10000 },
    { "id": "Samsung_Pyeongtaek", "type": "manufacturer", "country": "KR", "capacity": 7500 },
    { "id": "Kaohsiung_Port", "type": "port", "country": "TW", "capacity": 15000 }
  ]
}

detect_disruption_cascade — 输出示例

{
  "triggerNodes": ["TSMC_Hsinchu"],
  "affectedNodeCount": 67,
  "cascadeDepth": 5,
  "percolationThreshold": 0.42,
  "giantComponentFraction": 0.73,
  "systemicDisruptionRisk": 0.81,
  "criticalNodes": [
    { "id": "Kaohsiung_Port", "removalImpact": 0.64 },
    { "id": "Shanghai_Distribution_Hub", "removalImpact": 0.58 },
    { "id": "Samsung_Pyeongtaek", "removalImpact": 0.51 }
  ],
  "networkSize": 142
}

identify_sanctions_circumvention — 输出示例

{
  "circumventionRisk": 0.78,
  "patternsDetected": 3,
  "patterns": [
    {
      "matchedNodes": ["Nexus Global BVI Ltd", "Nexus Trading HK", "Pinnacle Tech SZ"],
      "patternType": "shell_company_chain",
      "confidence": 0.89,
      "ownershipChain": ["Nexus Global BVI Ltd -> Nexus Trading HK -> Pinnacle Tech SZ"],
      "riskScore": 0.91
    }
  ],
  "suspiciousEntities": ["Nexus Global BVI Ltd", "Pinnacle Tech SZ"],
  "networkSize": 94
}

compute_resilience_score — 输出示例

{
  "overallResilience": 0.61,
  "grade": "C",
  "algebraicConnectivity": 0.34,
  "percolationThreshold": 0.44,
  "tensorRank": 8,
  "weakPoints": [
    { "node": "Taiwan_Strait_Shipping", "contribution": -0.18 },
    { "node": "TSMC_Hsinchu", "contribution": -0.14 }
  ],
  "networkSize": 142,
  "edgeCount": 387
}

输出字段参考

字段	工具	类型	描述
nodeCount	flow, resilience, chokepoints	number	网络中的供应链节点总数
edgeCount	flow, resilience, chokepoints	number	网络中的有向边总数
tensorTrainRank	flow, resilience	number	通过 SVD 截断得到的 MPS 键秩
truncationError	flow	number	SVD 截断产生的 Frobenius 范数误差
bondDimensions	flow	number[]	每个 MPS 边界处的键维度
hyperedgeCount	flow	number	共享商品组超边的数量
flowOptimization.totalCost	flow	number	LP 最优流量成本总额
flowOptimization.feasible	flow	boolean	LP 松弛是否找到可行解
flowOptimization.topBottlenecks	flow	object[]	容量利用率超过 85% 的边
affectedNodeCount	cascade	number	从触发节点开始受到级联影响的节点数
cascadeDepth	cascade	number	从触发节点开始的最大传播深度
percolationThreshold	cascade, resilience	number	临界 p_c：网络碎片化时的故障概率
giantComponentFraction	cascade	number	最大连通分量占网络的比例
systemicDisruptionRisk	cascade	number	综合系统性中断风险评分，范围为 0-1
criticalNodes	cascade, chokepoints	object[]	按移除影响评分排序的节点
circumventionRisk	sanctions	number	综合规避风险评分，范围为 0-1
patterns[].patternType	sanctions	string	检测到的规避模式类型
patterns[].confidence	sanctions	number	VF2 匹配置信度，范围为 0-1
patterns[].ownershipChain	sanctions	string[]	匹配模式的完整所有权链
overallResilience	resilience, chokepoints	number	综合韧性评分，范围为 0-1
grade	resilience, chokepoints	string	韧性等级，从 A 到 F
algebraicConnectivity	resilience	number	图拉普拉斯矩阵的 Fiedler 值 lambda_2
systemicClimateRisk	climate	number	所有节点的综合气候风险，范围为 0-1
tailDependenceCoeff	climate	number	多变量极端事件共同出现的 Chi 统计量
vulnerabilities[].riskTier	climate	string	各节点的风险等级：LOW/MEDIUM/HIGH/CRITICAL
vulnerabilities[].returnPeriod100yr	climate	number	百年一遇事件的幅度
vulnerabilities[].gpdShape	climate	number	通过矩估计拟合得到的 GPD xi 参数
nashEquilibriumTotal	game	number	所有玩家纳什均衡订购量之和
socialOptimum	game	number	中央协调下的最优总订购量
efficiencyLoss	game	number	无政府代价——纳什均衡 / 社会最优
players[].nashEquilibriumQuantity	game	number	单个供应商的纳什均衡订购量
players[].riskOfStockout	game	number	纳什均衡下的缺货概率
originalCost	routing	number	中断发生前的最优流量成本
reroutedCost	routing	number	绕过受干扰节点重新路由后的流量成本
costIncreasePct	routing	number	重新路由导致的成本增幅百分比
infeasibleDemands	routing	object[]	中断发生后无法满足的需求
meraHierarchyDepth	chokepoints	number	MERA 粗粒化层级数
meraScaleInvariance	chokepoints	number	MERA 层级中的尺度不变性度量
chokepoints	chokepoints	object[]	综合多个信号评分的瓶颈节点排名

运行供应链分析需要多少费用？

此 MCP 服务采用按事件付费定价——每次工具调用收取固定费用。费用涵盖所有底层数据 Actor 调用。

工具	调用的数据源	每次调用费用
simulate_supplier_game	5 个 Actor	$100-200
identify_sanctions_circumvention	8 个 Actor	$150-250
assess_climate_vulnerability	8 个 Actor	$150-250
optimize_tensor_network_flow	17 个 Actor	$200-300
detect_disruption_cascade	17 个 Actor	$200-300
compute_resilience_score	17 个 Actor	$200-300
plan_contingency_routing	17 个 Actor	$200-300
monitor_critical_chokepoints	17 个 Actor	$250-400

你可以在 MCP 客户端配置中为每个会话设置最高支出限额。服务器会在每次工具调用前检查费用限额；如果达到限额，就会返回明确的错误消息，而不是继续收费。

这些工具面向专业用途定价——使用 4-5 个工具完成一次全面的供应链风险评估，费用为 $700-1,200。相比之下，专业供应链风险平台（Resilinc、Riskmethods、Everstream Analytics）的 SaaS 订阅费用为每年 $30,000-100,000+。使用此服务，你只需为实际运行的分析付费。

量子启发式供应链 MCP 服务的工作原理

阶段 1：并行收集数据

每次工具调用都会通过 Promise.all 并发启动最多 17 个 Apify Actor 调用。每个 Actor 使用 256MB 内存运行，超时时间为 180 秒。数据源覆盖完整的供应链情报体系：UN COMTRADE 贸易流、SAM.gov 和 USAspending 采购数据、五个企业注册数据库、两个制裁数据库、四个自然灾害数据源、两个金融数据源，以及三个地理空间数据源。每个 Actor 都会返回结构化 JSON 条目，评分引擎可以直接使用。

阶段 2：构建网络

buildSupplyNetwork() 接收全部 17 个 Actor 的结果数组，并构建由 SupplyNode 和 SupplyEdge 对象组成的类型化供应网络图。节点类型包括供应商、制造商、分销商、零售商、港口或枢纽。节点包含根据源数据得出的产能、可靠性、受制裁标记、灾害暴露度和气候风险属性。网络还会立即计算张量列分解：通过顺序 SVD 对经过邻接关系加权的产能矩阵进行因子分解，并截断至秩 4，从而得出键维数、截断误差和 MPS 核矩阵，并将其存储在 TensorTrainFactor 中。

第 3 阶段：算法分析

每个工具都会将特定算法应用于构建好的网络：

• 流量工具调用 solveMultiCommodityFlow()，通过线性规划松弛来实现：在每个内部节点满足流量守恒、每条边满足容量约束的条件下，最小化总和（c_ij * f_ij^k）。通过在拉格朗日对偶问题上执行 200 次投影梯度下降求解，步长为 1/(iteration+1)。
• 级联工具调用 detectDisruptionCascade()，从触发节点开始传播扰动；每一跳都会根据边权重和基础传播概率参数，从伯努利分布中抽样。通过 N 次蒙特卡洛运行估算巨型连通分量占比。通过对传播概率进行二分搜索，找到巨型连通分量占比首次低于 0.5 时的 p_c。
• 制裁工具调用 identifySanctionsCircumvention()，构建有向所有权图，将 5 种规避模式模板生成为子图模板，并通过带有语义可行性剪枝（制裁节点邻接约束）的 VF2 状态空间树搜索，查找同构匹配。
• 气候工具调用 assessClimateVulnerability()，为每个网络节点收集同地发生的灾害事件强度，识别超过滚动阈值的事件，并使用矩估计法拟合 GPD（xi、sigma）。通过节点对之间的双变量极端事件共同发生情况估算尾部依赖系数 chi。
• 韧性工具调用 computeResilienceScore()，构建 n×n 图拉普拉斯矩阵 L = D - A，然后通过带消去的幂迭代求出 Fiedler 向量和 lambda_2。将其与 p_c 和 1/rank 一起代入加权复合公式，得出 0-1 韧性评分并将其映射为字母等级。
• MERA 工具调用 computeMERA()，通过将权重最低的边收缩为超节点，迭代对网络进行粗粒化；在每个层级记录节点数、边数和重整化权重，直到剩余节点少于 4 个。通过粗粒度与细粒度边权重标准差之比衡量尺度不变性。

第 4 阶段：结果组装

所有工具都会通过 json() 辅助函数返回结构化 JSON，该函数会将结果封装为 MCP CallToolResult 格式。输出包括原始计算值、截取至前 10 项的排名列表，以及易于理解的摘要。每次分析前都会同步运行支出限额保护：如果 Actor.charge() 返回 eventChargeLimitReached: true，工具会立即退出并显示清晰的错误消息。

取得最佳效果的提示

1. 对于任何新的供应链，都从 optimize_tensor_network_flow 开始。 它构建的网络能够代表完整的数据状态。将返回的节点 ID 用作后续工具的输入——将准确的节点 ID 作为 trigger_nodes 或 disrupted_nodes 传入，比让工具选择默认值能获得更精确的结果。

2. 在做出任何供应商入驻决定前，先使用 identify_sanctions_circumvention。 VF2 算法能够匹配人工 OFAC 搜索容易遗漏的模式，因为这些模式横跨多层所有权关系。将 entity_name 输入限定为特定供应商，可显著提高匹配精度。

3. 根据所在行业调整 propagation_probability。 默认值 0.3（每条边的传播概率为 30%）适用于连接程度适中的供应链。对于高度集成、采用准时制的汽车供应链，可尝试 0.5-0.7。对于替代供应商众多的大宗商品供应链，可尝试 0.1-0.2。

4. 将 detect_disruption_cascade 与 plan_contingency_routing 配合使用。 先运行级联分析，找出导致最高 affectedNodeCount 的触发节点。然后将这些相同的节点作为 disrupted_nodes 传入应急路由工具，以获得确切的成本影响和替代路线。

5. 评估气候风险时，务必指定 region。 将全球范围的查询缩小到“东南亚”或“台湾海峡”，可让 NOAA、USGS、GDACS 和 FEMA 的数据提取聚焦于相关事件，并显著提升 GPD 拟合质量。

6. 在重新协商合同前，使用 simulate_supplier_game。 纳什均衡数量和无政府状态价格指标可以为你提供谈判筹码：如果博弈显示供应商的订购量比社会最优水平高出 40%，你就有了支持协同采购提案的量化依据。

7. monitor_critical_chokepoints 是成本最高、但最全面的工具，最适合定期（每周或每月）使用，而不是在每次查询时都运行。日常监控可运行较轻量的 compute_resilience_score，并将完整的瓶颈分析留作战略评估之用。

与其他 Apify actors 结合使用

Actor	组合方式
UN COMTRADE Search	单独运行以探索贸易流数据，然后再将商品和节点背景信息传递给此 MCP 服务
OFAC Sanctions Search	用于快速检查单个实体的制裁情况；需要遍历完整所有权图时，则使用此 MCP 服务
OpenSanctions Search	通过更全面的全球 PEP 和观察名单覆盖，补充 MCP 制裁查询结果
GDACS Disaster Search	监控实时灾害预警；将受影响地区作为 region 参数传入 assess_climate_vulnerability
OpenCorporates Search	在运行完整的规避筛查前，提取企业数据以进行初步供应商调查
GLEIF LEI Lookup	独立核实实体的法人标识符并追溯最终母公司实体
Finnhub Stock Data	在 MCP 工具调用之外，跟踪关键供应商的财务健康信号

局限性

• 所有数据来源均为公开信息。 无法访问私有供应商合同、内部产能数据、专有物流定价以及非公开的企业所有权记录。该网络仅呈现公开披露的关系。
• 张量列车分解的质量随网络规模而变化。 节点少于 20 个的网络无法生成包含足够信息的分解。查询返回 50 个以上不同实体时，效果最佳。
• 超大型网络的蒙特卡洛渗流收敛较慢。 在运行 1,000 次模拟（默认值）时，临界渗流概率 p_c 的置信区间约为 ±0.03。如需更高精度，可将 monte_carlo_runs 增至 5,000-10,000 次，但运行时间也会相应增加。
• VF2 子图同构的最坏情况复杂度为指数级。 语义可行性剪枝可缓解这一问题，但对于拥有 200 个以上节点的超密集所有权图，可能无法在 180 秒的 Actor 超时期限内返回所有匹配结果。
• GPD 气候尾部估计需要足够多的极端事件样本。 对于 NOAA/USGS/GDACS 记录稀少的地区，矩估计法拟合 GPD 时的不确定性会很高。模型会通过较宽的置信区间标记这些情况。
• 地理空间覆盖不均衡。 OSM POI 和 OpenChargeMap 在北美、欧洲和东亚的覆盖较密集；在撒哈拉以南非洲、中亚和南美洲部分地区的覆盖较稀疏。
• 汇率和金融数据反映的是特定时间点的数值。 流程成本计算使用查询时的汇率；历史情景分析需要使用不同的时间参数单独调用。
• 此服务不会渲染 JavaScript 密集型企业网站。 它使用 17 个包装器提供的结构化 API 数据，而非网页抓取。部分仅在 PDF 年报中发布的私有子公司关系将无法收录。

集成

• Zapier — 按计划每周触发供应链韧性评分，并将结果发布到 Slack 频道或 Google Sheet
• Make — 构建自动化工作流，从 ERP 系统获取新供应商记录并进行规避制裁筛查
• Google Sheets — 将瓶颈节点排名和气候脆弱性评分导出到共享团队仪表板
• Apify API — 通过风险管理平台中的 Python 或 JavaScript 流水线，以编程方式调用 MCP 服务
• Webhooks — 当特定供应链参与方返回意外结果或错误率激增时接收提醒
• LangChain / LlamaIndex — 将 MCP 服务集成为多步骤 AI Agent 工作流中的工具，实现自主供应链监控和报告

故障排查

首次调用时出现达到支出限额的错误。 MCP 服务会在执行任何分析前检查支出限额。如果看到 "Spending limit reached"，请前往 Apify 账户的账单设置，提高运行支出限额，或移除当前会话的限额。

工具调用在 180 秒后超时。 每个底层 Actor 的超时时间为 180 秒。如果全部 17 个 Actor 都及时完成，但你在 MCP 传输层看到超时，请提高客户端请求超时时间。对于地理范围非常广的查询，单个 Actor 调用可能会触及自身限额；请尝试更具体的查询，以缩小结果集。

返回的网络为空或规模很小。 如果 nodeCount 小于 10，说明查询返回的实体太少，无法构建有意义的网络。请尝试更具体的查询，加入公司名称、国家代码或商品 HS 编码（例如，使用 "HS 8542 integrated circuits Taiwan TSMC"，而不是仅使用 "chips"）。

已知高风险实体的规避制裁风险接近 0。 VF2 匹配基于公开披露的企业结构进行。如果受益所有权被隐藏在非公开注册地（例如，OpenCorporates 中没有记录的某些特拉华州 LLC 或开曼群岛架构），则不会显示。请将结果作为多个信号之一，而非最终的合规结论。

气候 GPD 形状参数 xi 返回负值。 负 xi（有界 Pareto）是有效的 GPD 结果，表示危害分布存在有限上限。这不是错误，而是意味着该地点的极端事件分布尾部较薄。请查看 returnPeriod100yr，以了解实际风险估计。

负责任地使用

• 此服务访问的全部 17 个数据源均为公开可用的政府数据库、国际贸易组织、政府间机构和开放地理空间数据。
• 未经独立法律审查，不要将规避制裁筛查结果作为对任何实体采取不利行动的唯一依据。
• 将贸易流数据用于合规目的时，请遵守适用的出口管制法规（EAR、ITAR、EU Dual-Use Regulation）。
• 请遵守所有底层数据提供方（OFAC、OpenSanctions、UN COMTRADE、UK Companies House、OpenCorporates）的服务条款。
• 有关网络抓取和数据使用合法性的指南，请参阅 Apify 的指南。

常见问题

此 MCP 服务与 Riskmethods 或 Everstream 等标准供应链风险平台有何不同？ 传统 SaaS 平台提供带有预建风险评分的仪表板。此服务让你的 AI 助手能够直接访问实时数据，并按需运行算法分析；你可以查询全球任何供应链，而不仅限于已配置的供应商列表。代价是你需要使用兼容 MCP 的客户端（Claude、Cursor 等），并按次分析付费，而非支付固定订阅费用。

什么是张量列车（MPS）分解？它对供应链为何重要？ 张量列车分解会将高维供应网络张量分解为一系列由键维度连接的低维核心矩阵。它能揭示潜在的结构性依赖关系——即通过共享商品流相互耦合的供应商和买家群组——这些关系无法通过直接邻接分析观察到。截断误差会告诉你近似过程中损失了多少信息。 什么是 MERA 算法？在供应链语境中，尺度不变性意味着什么？ MERA（Multi-scale Entanglement Renormalization Ansatz，多尺度纠缠重整化假设）是一种源自量子物理的层次化粗粒化方法。将其应用于供应链网络时，它会迭代地将权重最低的边合并为超节点，以揭示哪些节点在多个尺度上仍具有结构重要性。尺度不变性得分高，意味着网络具有自相似结构——局部居于中心的节点在全局层面也居于中心。这些节点是优先级最高的瓶颈。

VF2 对规避制裁行为的检测有多准确？ 准确度取决于企业注册数据的完整程度。对于在 OpenCorporates、UK Companies House 或 GLEIF 中披露所有权的实体，VF2 与 5 个规避模式模板的匹配具有较高的召回率。对于隐瞒在不要求报告的司法管辖区内的受益所有人，召回率则受公开披露信息的限制。每个模式中的 confidence 字段反映的是结构匹配质量，而不是实际发生规避行为的概率。

每个月可以运行多少次供应链查询？ 查询次数没有限制——按工具调用付费。一次典型的供应链风险评估会话包含 4-6 次工具调用，费用为 $800-1,500。如果你要定期运行自动监控，请在 Apify 账户中设置每月支出限额，以控制总费用。

将这些数据用于制裁合规筛查是否合法？ 全部 17 个数据源均为公开数据。OFAC 和 OpenSanctions 发布的数据明确用于合规用途。来自 OpenCorporates 和 UK Companies House 的企业注册数据属于公开记录。使用公开数据进行合规筛查是合法且受到鼓励的。有关合规计划的具体法律建议，请咨询法律顾问。

一次典型的工具调用需要多长时间？ 并行调用 17 个 actor 的工具（optimize、cascade、resilience、routing、chokepoints）通常需要 3-7 分钟，具体取决于数据源的响应时间。调用 5-8 个 actor 的工具（supplier game、sanctions、climate）通常需要 1-4 分钟。服务运行在 Apify Standby 模式下，因此不会有冷启动延迟。

我可以在同一段对话中，将一个工具的输出传给另一个工具吗？ 可以，而且这是推荐的工作流。将 optimize_tensor_network_flow 返回的节点 ID 作为输入，传给 detect_disruption_cascade 和 plan_contingency_routing。如果你描述最终目标，AI 助手可以自动串联这些调用。

韧性等级为 C 意味着什么？ 等级与综合韧性得分对应：A（0.8-1.0）、B（0.6-0.79）、C（0.4-0.59）、D（0.2-0.39）、F（0-0.19）。C 级表示网络具有中等韧性——可以承受随机故障，但存在可识别的结构性弱点。weakPoints 数组会显示哪些特定节点最显著地拉低了得分。

此服务能与任何 MCP 客户端配合使用，还是只能与 Claude 配合？ 此服务实现了标准 MCP 协议（位于 /mcp 的流式 HTTP 传输），可与任何兼容 MCP 的客户端配合使用：Claude Desktop、Cursor、Windsurf、Cline，或任何使用 @modelcontextprotocol/sdk 的自定义客户端。所有客户端的连接 URL 格式都相同。

我可以安排此服务自动运行供应链监控吗？ 可以。使用 Apify 的定时调度功能按计划触发 actor，或者使用 Webhook 和 Apify API 与外部调度系统集成。你也可以设置 Zapier 或 Make 工作流，每周运行特定的工具调用，并将结果推送到 Slack、Google Sheets 或你的风险管理系统。 如果调用期间 17 个底层 Actor 中有一个失败，会发生什么？ 每次 Actor 调用都会使用 try-catch 包装，失败时返回空数组。网络构建和算法分析会继续使用成功获取的数据。如果关键来源（如 OFAC 或 COMTRADE）返回空结果，结果质量会降低，但工具不会崩溃。Actor 日志会记录哪些来源成功、哪些失败。

帮助我们改进

如果遇到问题，您可以在 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

如果出现问题，这样我们就能查看您的运行详情，从而更快地修复问题。只有 Actor 开发者可以查看您的数据，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。有关定制供应链分析解决方案或企业集成，请通过 Apify 平台联系我们。