Supply Chain Digital Twin

供应链数字孪生 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": {
    "supply-chain-digital-twin-mcp": {
      "url": "https://ryanclinton--supply-chain-digital-twin-mcp.apify.actor/mcp"
    }
  }
}

---

通过 8 种定量算法模拟供应链数字孪生——让任意 AI Agent 连接 17 个公共数据源中的实时企业、贸易、制裁、灾害和金融数据。此 MCP 服务将自然语言供应链问题转化为结构化风险情报：级联故障概率、最优运输路线、对抗性拦截博弈、供应商生存曲线、Leontief 乘数以及多时域需求预测。

专为供应链风险分析师、运筹学研究人员以及需要将真实世界数据与严谨算法相结合、而非依赖静态数据库的 AI Agent 打造。每个工具最多并行运行 17 个 actor，构建实时供应链网络图，然后应用一种来自网络科学、运筹学或计量经济学的特定算法。

⬇️ 可以访问哪些数据？

数据点	来源	用途示例
📋 全球企业注册信息和所有权	OpenCorporates	识别一级、二级和三级供应商
🏢 英国公司申报文件和财务数据	UK Companies House	核实英国实体及其财务状况
🔗 法人实体识别码和母子公司链	GLEIF LEI	绘制企业所有权关系
🌐 国际双边贸易流量	UN COMTRADE	估算跨行业投入产出系数
📊 经济发展指标	World Bank	国家层面的宏观风险因素
🏛️ 政府合同授予信息和机会	SAM.gov	评估国防和联邦供应链风险敞口
🚫 OFAC 制裁名单和被封锁人员名单	OFAC	标记受制裁实体
🌍 全球制裁、PEP 和观察名单数据	OpenSanctions	筛查多个司法辖区的制裁对象
🌋 地震活动和震级	USGS Earthquake	评估自然灾害的邻近风险
🌩️ 极端天气事件和气候数据	NOAA	评估地理节点的灾害风险敞口
🆘 全球灾害警报和严重程度评分	GDACS	多灾害中断触发因素
🔴 美国联邦紧急状态声明	FEMA	评估美国国内灾害风险敞口
📍 地理编码和经纬度解析	Nominatim	基于 Haversine 距离的灾害映射
💱 外汇汇率和货币数据	Exchange Rate Tracker	评估跨境贸易流量中的外汇风险
🔐 互联网主机证书和漏洞	Censys	评估供应商的网络安全风险敞口
🌫️ 按国家和地区划分的空气质量指数	OpenAQ	环境运营风险
🖥️ 网站正常运行时间和可用性监控	Website Monitor	供应商运营连续性信号

为什么使用 Supply Chain Digital Twin MCP？

手动分析供应链风险意味着要从十几个政府门户网站提取数据、制作电子表格并应用启发式方法。全面分析一个供应商组合可能需要一组分析师整整一周时间，却仍可能遗漏级联效应、博弈论攻击面和多时间跨度需求信号。

这个 MCP 服务取代了上述工作流。只需将查询粘贴到任何兼容 MCP 的 AI Agent 中即可。服务会并行调用最多 17 个实时数据源，构建包含 Leontief 技术系数的加权网络图，并运行所请求的算法。几秒钟即可获得结构化 JSON 结果，而非数周。

• 调度 — 通过 Apify 平台按任意频率运行，确保供应链模型保持最新
• API 访问 — 从 Python、JavaScript 或任何基于 HTTP 的 MCP 客户端触发工具调用
• 17 个并行数据源 — 在一次调用中汇集企业、贸易、制裁、灾害、网络安全、环境和金融数据
• 监控 — 当运行失败或返回异常结果时，接收 Slack 或电子邮件提醒
• 集成 — 连接到 Claude Desktop、Cursor、Windsurf、LangChain 或任何兼容 MCP 的客户端

功能

• Buldyrev-Parshani-Stanley 相互渗流 — 对两个相互依赖的供应网络建模；迭代移除不属于巨型连通分量的节点，并传播故障直至达到稳定状态，从而检测临界阈值 p_c* 处的一阶相变
• 交叉熵重要性采样 — 优化 Monte Carlo 提议分布 q*(theta)，将模拟资源集中于灾难性罕见事件，使方差缩减比朴素 Monte Carlo 高出多个数量级
• Sinkhorn-Knopp 熵正则化最优传输 — 通过迭代缩放 u = mu/(Kv)、v = nu/(K^Tu)，在边际约束下求解 min_{P} <C,P> - epsilon*H(P)，并将 Wasserstein-2 距离计算为物流总成本
• 三级 Stackelberg 攻防博弈 — 将对抗性阻断建模为 max_x min_y max_z f(x,y,z)；通过带最优性割的 Benders 分解求解；报告纳什均衡资源分配和收敛间隙
• 竞争风险 Cox 比例风险模型 — 包含五种特定原因风险（财务、自然灾害、制裁/监管、网络、质量/合规），并计算累积发生率 F_k(t) = integral h_k(u)*S(u)du 和 Harrell 一致性指数
• 代数连通度最大化 — 通过带消去的幂迭代计算图拉普拉斯矩阵的 lambda_2（Fiedler 值）；使用 Fiedler 向量按增益 gain_ij = (v_i - v_j)^2 对贪心添加的边进行评分
• 通过 Neumann 级数计算 Leontief 投入产出 — 将 (I-A) 求逆为 L = sum_{k=0}^{K} A^k，最多计算 15 项；计算前向关联（列和）、后向关联（行和）及 Ghosh 供给侧乘数；识别两个方向的关联度均高于平均水平的关键行业
• 模糊回归不连续设计 — 在地理和时间阈值处，使用 Imbens-Kalyanaraman（2012）最优带宽 h_IK = C_k * (sigma^2 / (f(c)*m''(c)^2))^{1/5} * n^{-1/5} 估计 tau_FRD = (E[Y|X>=c] - E[Y|X<c]) / (E[D|X>=c] - E[D|X<c])
• Rao-Blackwell 化粒子滤波器 — 通过粒子对非线性状态分量进行采样，并通过对每个粒子运行 Kalman 滤波器，以解析方式边缘化线性状态空间（趋势、季节性、周期）；当有效样本量 ESS < N/2 时进行系统重采样
• 通过 Bellman 方程进行随机 DP — 求解 V(s) = min_a { c(s,a) + gamma*E[V(s')] }，以获得最优基准库存策略并量化不确定性
• 基于 Haversine 距离的风险暴露 — 为距离风险事件 500 km 以内的供应商节点分配风险暴露值 (1 - dist/500)；无法获取坐标时，则使用带种子的概率分配（15% 概率，权重为 0.3）
• Leontief 矩阵归一化 — 将行和 >= 0.9 的行按 0.85/rowSum 的系数缩放，以确保矩阵为次随机矩阵（谱半径 < 1），从而保证 Neumann 级数收敛
• 带种子的确定性伪随机数 — 所有随机组件均使用由字符串哈希设种子的线性同余生成器，确保相同输入可复现结果
• 并行调用 17 个参与方 — 所有数据获取均使用 Promise.all 以实现最高吞吐量；每次参与方调用的超时时间为 180 秒，失败时会优雅地回退为空数组

供应链数字孪生仿真的使用场景

供应链压力测试与韧性评分

制造企业和多元化工业企业的风险经理会在季度董事会审查前使用 simulate_disruption_cascade 对其供应商网络进行压力测试。输入公司名称或行业描述。该工具会汇集实时企业、制裁、风险和贸易数据，构建双层相互依赖网络，并通过交叉熵重要性采样运行最多 5,000 次 Monte Carlo 仿真，以估算灾难性级联故障的概率。输出包括渗流阈值、一阶相变标记，以及按重要性排序的关键供应商列表。

物流网络成本优化

3PL 和大型制造商的运营团队使用 optimize_logistics_transport，根据当前的供需分布，找出成本最低的路线与采购配置。Sinkhorn 算法求解熵正则化最优传输问题，返回作为最优成本的 Wasserstein-2 距离、每个容量受限节点的对偶影子价格，以及包含利用率的完整最优路线集合。

关键基础设施与国防供应链保护

政府承包商和国防采购团队使用 model_adversarial_interdiction，识别对手最有可能攻击的供应链连接，以及防御投资回报最高的环节。三层 Stackelberg 博弈得出 Nash 均衡，明确哪些边是阻断目标、各自应获得多少保护，以及作为质量指标的 Benders 收敛间隙。

供应商组合风险管理

采购团队和供应链金融专业人士使用 estimate_supplier_survival，评估组合中每家供应商未来 12 个月的失败概率，并将其分解为五种相互竞争的失败原因。输出包括每家供应商的生存曲线、按失败模式划分的累积发生率、未来一年预期失败数量，以及作为模型拟合指标的 Harrell 一致性指数。

经济影响与行业传染分析

政策研究人员和企业经济学家使用 compute_input_output_impact，估算一个行业或国家的生产冲击如何在整个投入产出网络中传播。Leontief 乘数表示单位直接需求变化所产生的总产出影响。关键行业识别功能会标记出一旦中断便会对整个网络造成最大损害的行业——这对业务连续性规划和宏观经济政策分析都至关重要。

需求预测与库存优化

供应链规划人员使用 forecast_multi_scale_demand，生成多个预测周期（每周、每月、每季度）的不确定性量化需求预测，并计算每个周期的最优基准库存水平。Rao-Blackwell 化粒子滤波器将需求分解为趋势、季节性和状态成分，而随机 DP 求解器则找出可最小化预期持有成本与缺货成本的库存策略。

如何连接此 MCP 服务

此服务以 Apify 待机模式运行——保持运行状态，并通过 HTTP 接受 MCP 连接。端点始终可用。

Claude Desktop

添加到你的 claude_desktop_config.json：

{
  "mcpServers": {
    "supply-chain-digital-twin": {
      "url": "https://supply-chain-digital-twin-mcp.apify.actor/mcp"
    }
  }
}

Cursor

添加到你的 Cursor MCP 设置中：

{
  "mcpServers": {
    "supply-chain-digital-twin": {
      "url": "https://supply-chain-digital-twin-mcp.apify.actor/mcp"
    }
  }
}

Windsurf / 其他 MCP 客户端

任何支持 MCP 流式 HTTP 传输的客户端都可以连接到：

https://supply-chain-digital-twin-mcp.apify.actor/mcp

无需身份验证标头。Apify 令牌由服务端管理。

⬆️ MCP 工具参考

工具	算法	调用的数据源	输出亮点
simulate_disruption_cascade	Buldyrev 相互渗流 + 交叉熵重要性抽样	17 个参与方	级联步骤、渗流阈值、一阶相变标记、恢复天数、方差缩减比
optimize_logistics_transport	Sinkhorn-Knopp 熵正则化最优传输	8 个参与方	最优路线、Wasserstein-2 距离、影子价格、Sinkhorn 收敛情况
model_adversarial_interdiction	三层 Stackelberg + Benders 分解	8 个参与方	博弈值、纳什均衡、拦截目标、防御方增援、Benders 间隙
estimate_supplier_survival	竞争风险 Cox 比例风险模型	11 个参与方	每家供应商的生存概率、5 种原因的累积发生率、未来 12 个月的预期故障数、一致性指数
reinforce_network_resilience	代数连通度（Fiedler 值）	7 个参与方	Lambda_2、冗余评分、Fiedler 向量、可提升 lambda_2 的最优边添加方案
compute_input_output_impact	基于 Neumann 级数的 Leontief 投入产出分析	6 个参与方	Leontief 逆矩阵、前向／后向关联、Ghosh 乘数、关键行业、谱半径
identify_causal_disruption_paths	模糊 RDD + IK 带宽	11 个参与方	因果路径、RDD 估计值、IK 带宽、总因果效应、混杂因素
forecast_multi_scale_demand	RBPF + 随机动态规划 Bellman 方程	7 个参与方	含 95% 置信区间的多时域预测、最优基准库存、服务水平、有效粒子数

工具参数

参数	类型	必填	默认值	适用于
query	字符串	是	—	全部 8 个工具
simulations	数字	否	1000	仅适用于 simulate_disruption_cascade（最多 5000）

query 参数接受供应链场景、公司名称、行业、商品或地理区域的自由文本描述。服务会提取意图，并将其作为搜索查询传递给每个底层数据参与方。

输出示例

simulate_disruption_cascade

{
  "nodesAffected": 23,
  "totalImpact": 4.87,
  "percolationThreshold": 0.312,
  "firstOrderTransition": true,
  "criticalSuppliers": [
    "Pinnacle Semiconductor GmbH",
    "Meridian Electronics Co Ltd",
    "Vantage Logistics Holdings"
  ],
  "recoveryTimeDays": 47,
  "ceProposalDistortion": 0.0234,
  "monteCarloRuns": 1000,
  "varianceReduction": 18.4,
  "cascadeSteps": [
    {
      "node": "Pinnacle Semiconductor GmbH",
      "tier": 1,
      "failureProbability": 0.78,
      "cascadeDelay": 3,
      "economicImpact": 1.24,
      "networkA": true
    },
    {
      "node": "Meridian Electronics Co Ltd",
      "tier": 2,
      "failureProbability": 0.61,
      "cascadeDelay": 8,
      "economicImpact": 0.89,
      "networkA": false
    }
  ],
  "networkSize": { "nodes": 94, "edges": 187 }
}

estimate_supplier_survival

{
  "portfolioSurvival": 0.71,
  "expectedFailures12m": 4.2,
  "concordanceIndex": 0.724,
  "competingRisks": [
    { "cause": "financial",          "cumulativeIncidence": 0.142 },
    { "cause": "natural_disaster",   "cumulativeIncidence": 0.081 },
    { "cause": "sanctions",          "cumulativeIncidence": 0.034 },
    { "cause": "cyber",              "cumulativeIncidence": 0.058 },
    { "cause": "quality_compliance", "cumulativeIncidence": 0.091 }
  ],
  "suppliers": [
    {
      "supplier": "Acme Fabrications Ltd",
      "survivalProbability": 0.84,
      "hazardRate": 0.024,
      "medianLifetimeYears": 8.3,
      "riskFactors": [
        { "factor": "sanctioned",       "hazardRatio": 3.41, "coefficient": 1.227 },
        { "factor": "hazardExposure",   "hazardRatio": 2.18, "coefficient": 0.780 },
        { "factor": "cyberExposure",    "hazardRatio": 1.64, "coefficient": 0.495 }
      ],
      "causeSpecificHazards": [
        { "cause": "financial",        "hazard": 0.018, "cumulativeIncidence": 0.098 },
        { "cause": "natural_disaster", "hazard": 0.009, "cumulativeIncidence": 0.049 }
      ]
    }
  ],
  "networkSize": { "nodes": 71, "edges": 132 }
}

optimize_logistics_transport

{
  "totalCost": 2847300,
  "totalTimeDays": 18.4,
  "wasserstein2Distance": 0.3812,
  "sinkhornIterations": 47,
  "sinkhornConvergence": 0.0000083,
  "dualVariables": [
    { "constraint": "Shanghai-Port",   "shadowPrice": 142.50 },
    { "constraint": "Rotterdam-Hub",   "shadowPrice": 98.20 },
    { "constraint": "Chicago-DC",      "shadowPrice": 67.80 }
  ],
  "optimalRoutes": [
    {
      "from": "Shenzhen Manufacturing Zone",
      "to": "Los Angeles Distribution Center",
      "mode": "sea",
      "cost": 1240000,
      "timeDays": 21,
      "capacity": 5000,
      "utilization": 0.87,
      "sinkhornWeight": 0.412
    }
  ],
  "networkSize": { "nodes": 58, "edges": 103 }
}

❓ 运行供应链数字孪生模拟需要多少费用？

此 MCP 采用按事件付费定价——每次调用工具均需付费。计算费用已包含在内。每个工具的定价取决于底层参与方调用次数和算法复杂度。

工具	每次调用价格	典型月度预算（20 次调用）
simulate_disruption_cascade	$0.040	$0.80
optimize_logistics_transport	$0.040	$0.80
model_adversarial_interdiction	$0.045	$0.90
estimate_supplier_survival	$0.035	$0.70
reinforce_network_resilience	$0.040	$0.80
compute_input_output_impact	$0.035	$0.70
identify_causal_disruption_paths	$0.035	$0.70
forecast_multi_scale_demand	$0.030	$0.60

对于每个会话要运行几十次工具调用的 AI Agent 工作流，典型会话费用低于 $1.00。你可以在 Apify 账户设置中为每次运行设置最高支出限额，以防止意外收费——服务会在执行前检查此限额，若超出预算，则返回预算超限消息，而不会继续执行。

与提供类似分析能力的企业级供应链风险平台（Resilinc、Riskmethods、Everstream）相比，此类平台每年收费 $50,000–$200,000。此 MCP 以每次分析几美分的价格，基于实时数据提供定量模拟。

供应链数字孪生 MCP 的工作原理

第 1 阶段：并行数据汇总

每次工具调用都会通过 Promise.all 分发 6 到 17 个 Agent 调用，所有调用并行运行，超时时间为 180 秒。企业数据来自 OpenCorporates、UK Companies House 和 GLEIF LEI。贸易流数据来自 UN COMTRADE 和 World Bank。制裁筛查查询 OFAC 和 OpenSanctions。自然灾害数据来自 USGS Earthquake、NOAA、GDACS 和 FEMA。位置解析使用 Nominatim。网络安全暴露数据来自 Censys。环境风险数据来自 OpenAQ。运营监控使用 Website Monitor。政府合同暴露数据来自 SAM.gov。任何超时或返回错误的 Agent 都会被视为空数组——算法将使用可用数据继续运行。

第 2 阶段：构建网络图

buildSupplyChainNetwork 将所有 Agent 的结果汇总到 SupplyChainNetwork 对象中。根据企业实体在企业数据数组中的位置，将其分配到第 1、2 或 3 层。使用 haversine 距离将灾害节点与供应商节点关联——对于 500 km 范围内的节点，暴露权重 = 1 - dist/500；否则以概率方式分配（15% 的概率，权重为 0.3）。空气质量风险按国家/地区代码映射。网络安全暴露数据按名称前缀匹配。各层之间的供应边使用由节点对字符串哈希确定性生成的随机 IO 系数（0.05–0.40）。根据这些 IO 系数构建 Leontief 技术系数矩阵 A，然后进行行归一化，以确保谱半径 < 1（满足 Neumann 级数收敛条件）。

第 3 阶段：算法执行

8 种算法分别针对汇总后的 SupplyChainNetwork 执行：

• 渗流：按节点索引将节点划分为两个网络，构建依赖关系映射，并迭代移除两层中不属于巨型连通分量的节点。交叉熵重要性采样通过 ceProposalDistortion 扰动边保留概率，使模拟样本集中于罕见的级联事件。
• 最优传输：根据供应商节点与分销商节点之间的 haversine 距离构建成本矩阵，然后运行 Sinkhorn 迭代，直至收敛（容差为 1e-7，最多迭代 1000 次）。
• 阻断：将供应边枚举为潜在攻击目标，按 criticality * weight 对每条边评分，并通过贪心 Benders 割求解双层分配问题。博弈值为 Nash 均衡下的预期流量降幅。
• 生存分析：根据节点属性（受制裁状态、灾害暴露、网络安全暴露、空气质量风险、合同依赖）计算原因特异 Cox 风险率，然后对累积发生函数进行数值积分。
• 代数连通度：构建图拉普拉斯矩阵 L = D - A，然后通过 50 次幂迭代并对常数特征向量进行消去，估算 lambda_2 和 Fiedler 向量。
• 投入产出：将 Leontief 逆矩阵计算为最多截断至 15 项的 Neumann 级数，通过 30 步幂迭代检查谱半径，并将前向和后向关联度均高于平均值的部门识别为关键部门。
• 因果路径：在地理阈值（500 km 的分段）和时间阈值处应用模糊 RDD，计算 IK 最优带宽，并对每个不连续点两侧分别进行局部线性回归估计。
• 需求预测：运行含 50 个粒子的粒子滤波器，对每个粒子的线性状态分量运行 Kalman 滤波器，在 ESS < 25 时进行系统重采样，然后反向执行 Bellman 递归，以求得最优基础库存水平。

第 4 阶段：结构化 JSON 输出

所有结果都序列化为 JSON，并作为 MCP 工具调用内容返回。浮点值会四舍五入至小数点后 2–4 位，以便 Agent 上下文中的响应更易阅读。大型矩阵（Leontief 逆矩阵）会截断为 6×6 后显示。

获得最佳结果的提示

1. 在查询中提供具体信息。 “汽车电子半导体供应链，台湾和日本供应商”比“电子产品供应链”能生成更丰富的网络。具体的查询会带来更相关的参与方结果，从而生成更准确的网络边。

2. 面对未知风险时使用 simulate_disruption_cascade。 如果不确定该从哪种算法入手，级联模拟是覆盖面最广的诊断方式。它会揭示关键供应商、渗流阈值，以及网络是否接近一阶相变；这些信息有助于决定接下来运行哪些工具。

3. 级联模拟后使用 reinforce_network_resilience。 确定关键供应商（通过级联模拟的输出）后，使用韧性强化功能，找出以最低成本增加哪些供应商关系（新增边）可以最大程度地提高代数连通度。

4. 结合使用 estimate_supplier_survival 和 model_adversarial_interdiction。 生存分析会找出最有可能自然失效的供应商。干预建模会找出最有可能遭到蓄意攻击的供应商。两者结合可全面呈现脆弱性。

5. 使用 compute_input_output_impact 生成董事会级报告。 Leontief 乘数可将供应链技术风险转化为财务语言——每单位中断导致的总产出变化。核心产业识别结果可直接呈现给非技术领域的利益相关者。

6. 为每次会话设置支出上限。 对于探索性的 Agent 工作流，可在 Apify 账户中设置单次运行预算。该服务会在每次工具调用前检查上限，并在达到上限时妥善停止，而不会继续收费。

7. 将 forecast_multi_scale_demand 与库存决策结合使用。 最优基础库存输出可直接用于 ERP 或规划系统。通过 Apify 数据集 API，将 forecasts 数组导出为 CSV，再导入 Excel 或 Google Sheets。

与其他 Apify Actor 结合使用

Actor	组合方式
Company Deep Research	对 simulate_disruption_cascade 识别出的关键供应商开展深度研究，在提交给采购负责人之前获取完整的财务、法律和运营概况
Website Contact Scraper	从 estimate_supplier_survival 标记的高风险供应商网站中提取联系信息，以便主动联系供应商并推动多元化
Trustpilot Review Analyzer	将供应商质量合规风险评分与客户评论和投诉模式进行交叉对照，以综合评估供应商健康状况
B2B Lead Qualifier	在将通过贸易数据识别的潜在替代供应商列入 RFQ 候选名单之前，对其进行评分
Website Tech Stack Detector	使用供应商网站的技术栈分析补充来自 Censys 的网络安全暴露数据，以生成更准确的 cyberExposure 评分
WHOIS Domain Lookup	验证干预模型标记为高风险的供应商的域名注册真实性
Website Change Monitor	监控供应商网站变化（办公室关闭、产品停产通知、重组公告），这些变化可能先于生存模型预测的失效事件

局限性

• 不包含专有 ERP 或库存数据——网络图完全基于公开来源构建。系统未纳入内部 BOM 数据、实际库存水平和专有交货周期。对于企业用途，可通过 Apify API 使用私有数据输入调整评分算法。
• Leontief 模型假设生产技术为线性——固定技术系数无法体现替代效应、规模经济或非线性生产函数。对于造成根本性结构变化的中断，模型会低估其影响。
• Cox 比例风险模型假设风险比不随时间变化——如果风险因素与故障概率之间的关系随时间变化（例如，地缘政治局势升级导致制裁风险上升），竞争风险模型将无法捕捉这种变化。
• 交叉熵重要性采样要求提议分布有效——对于非常小的网络（供应商节点少于 10 个），CE 提议分布可能缺乏足够的结构，无法优于朴素 Monte Carlo 方法。
• Benders 分解无法保证适用于所有博弈结构的收敛性——对于非常大型或退化的拦截博弈，可能会出现较大的 Benders 间隙值，表明报告的博弈值为近似值。
• 基于 Haversine 的风险映射要求节点已进行地理编码——如果无法获取供应商坐标（lat/lon = 0），系统将改用概率风险分配，精度较低。
• 参与方数据的新鲜度取决于上游来源——政府数据库（SAM.gov、OFAC、USGS）的更新频率各不相同。模型反映的是调用时可用的数据，而非实时流数据。
• 网络构建的 Leontief 矩阵最多包含 20 个行业，Haversine 边的创建范围则限制在滑动窗口内相距不超过 6 的供应商对——大型查询生成的网络可能比规模较小、目标更明确的查询更稀疏。

集成

• Claude Desktop——通过 claude_desktop_config.json 连接；让 Claude“为汽车半导体供应链运行一次中断级联模拟”
• Cursor——将其添加到 MCP 设置中，并在 Agent 模式下用于贴近代码的供应链分析
• Apify API——通过备用端点，从 Python、JavaScript 或任何 HTTP 客户端以编程方式触发工具调用
• LangChain / LlamaIndex——在 LangChain Agent 流水线中将其用作工具，以构建自动化供应链监控工作流
• Webhooks——在运行完成或级联模拟达到风险阈值时触发下游操作（Slack 警报、CRM 更新）
• Make——构建无代码供应链风险工作流：按计划触发、运行模拟，并将结果推送到 Google Sheets 或 HubSpot
• Zapier——将供应链模拟结果连接到电子邮件、Slack、Airtable 或任何 Zapier 支持的目标

故障排除

工具输出中出现 Spending limit reached — 已耗尽 Apify 账户中设置的单次运行预算。前往 Actor 的运行设置并提高最高支出额度，或单独运行该工具并设置更高的额度。

网络返回的节点很少（少于 10 个） — 对于底层 Actor，查询可能过于宽泛或过于狭窄，无法返回足够的企业和贸易记录。尝试添加地理或行业背景，例如：“台湾和韩国的消费电子半导体供应商”，而不是“电子产品供应商”。

Sinkhorn 算法未收敛（sinkhornConvergence 值较高） — 当供需分布严重失衡时会出现这种情况。经过 1,000 次迭代后，工具仍会使用当前最佳近似值返回结果。可以考虑缩小物流查询的地理范围，使其更加均衡。

级联模拟每次运行都返回 firstOrderTransition: false — 网络可能过于稀疏，或者查询未能返回足够的灾害或制裁数据，无法生成相互依赖的网络层。为查询添加明确的地理背景，以提高灾害数据覆盖率。

日志中出现 Actor 超时错误 — 各个底层 Actor 的超时时间为 180 秒。政府 API（SAM.gov、GLEIF）响应较慢时，偶尔会导致超时。服务会优雅降级：超时的 Actor 会返回空数组，算法则使用可用数据运行。

相同查询在不同时间运行时，结果略有不同 — 网络图的所有随机过程组件都使用确定性种子，但来自 17 个上游 Actor 的实时数据会随时间变化。结果差异反映了底层数据的实际变化（新增企业注册、制裁名单更新、新的灾害事件），而不是算法中的随机性。

负责任地使用

• 此 MCP 访问的所有 17 个数据源均为公开的政府数据库、国际贸易数据集和开放的企业注册库。
• 制裁和观察名单数据（OFAC、OpenSanctions）仅应出于合法的合规与尽职调查目的使用。
• 不得利用此工具获取的供应链情报助长非法歧视、市场操纵，或针对个人或公司的骚扰行为。
• 存储或处理包含个人或实体数据的输出时，请遵守 GDPR、适用的贸易合规法律和数据保护法规。
• 有关网络爬取和数据使用合法性的指南，请参阅 Apify 的指南。

❓ 常见问题

每次供应链模拟调用会使用多少个数据源？ 最全面的工具 simulate_disruption_cascade 会并行调用全部 17 个 Actor：3 个企业注册库、3 个贸易／经济数据源、2 个制裁数据库、4 个自然灾害数据源、1 个地理编码器、1 个外汇数据源、1 个网络情报数据源、1 个环境数据源、1 个政府合同数据源，以及 1 个网站监控器。forecast_multi_scale_demand 等较简单的工具会调用 7 个 Actor。

渗流阈值估计有多准确？ 阈值 p_c* 估计的是移除后会导致巨型连通分量崩溃的节点比例。使用 1,000 次 Monte Carlo 模拟（默认值）和交叉熵重要性采样时，相比朴素 Monte Carlo，方差通常可降低 10–20 倍。将 simulations 增加到 5,000 可进一步降低估计误差。

我可以将此供应链数字孪生 MCP 与自己的私有数据结合使用吗？ 此服务仅使用公开数据源。不过，可以通过私有 Apify Actor 构建，使用自定义网络输入调用底层算法（scoring.ts）。如需定制企业配置，请通过 Issues 选项卡联系我们。 供应链数字孪生模拟与传统风险评分工具有何不同？ 传统工具根据国家指数或财务比率分配静态风险分数。这个 MCP 应用动态网络算法——渗流理论捕捉级联动态，最优传输捕捉路由权衡，Stackelberg 博弈捕捉对抗行为——这些都无法通过静态评分实现。输出反映的是结构和因果关系，而不只是一个数字。

典型的供应链模拟需要多长时间？ 大多数工具会在 30–120 秒内完成，具体取决于数据可用性和查询的具体程度。simulate_disruption_cascade 会并行调用 17 个 Actor 并运行 1,000 次 Monte Carlo 模拟，通常需要 60–90 秒。将模拟次数增加到 5,000 次，大约会多花 15–30 秒。

将这些数据用于供应链尽职调查合法吗？ 合法。所有 17 个数据源都是政府发布或国际组织要求开放的数据集（UN COMTRADE、OFAC、GLEIF、USGS 等）。发布机构明确允许并鼓励将这些数据用于尽职调查、合规筛查和商业情报。请参阅 Apify 的指南。

我可以定期安排供应链模拟吗？ 可以。使用 Apify 内置的调度器，按每日、每周或自定义 cron 间隔运行任意工具调用。结合 Webhook，即可在每次模拟完成时自动将结果推送到 Slack、电子邮件或仪表板。

如何使用 Fiedler 值衡量供应链韧性？ Lambda_2（图拉普拉斯矩阵的第二小特征值）衡量将网络划分为互不连通的子图有多困难。Fiedler 值越高，冗余连接越多，网络在移除节点或边时也越能平稳退化。reinforce_network_resilience 工具会找出应新增哪些具体供应商关系，以使单位投资带来的 lambda_2 增幅最大。

如果 17 个底层 Actor 中有一个返回错误，会发生什么？ 每次 Actor 调用都由 try-catch 包装。调用失败时会返回空数组。网络构建函数接收空数组后会跳过相应数据类型。算法会使用较少的数据运行，结果会在 networkSize 输出中标记，供你查看成功组装的节点和边的数量。

竞争风险生存模型如何判断某个供应商最可能出现哪种失效模式？ 模型根据节点属性计算五种特定原因的 Cox 风险率：sanctioned 状态（监管／制裁风险）、hazardExposure（自然灾害风险）、cyberExposure（网络安全风险）、airQualityRisk（环境／合规风险），以及相对于网络平均值的 revenue（财务风险）。每个属性都通过固定的 beta 向量映射到一个风险系数，然后通过数值积分计算累积发生率，得到特定原因的概率；这些概率之和等于总体失效概率。

我可以将供应链模拟结果直接传入大模型进行叙述性报告吗？ 可以。任何工具的 JSON 输出都足够精简，可以直接纳入大模型上下文窗口。对于较长的输出（级联步骤数组、完整的 Leontief 逆矩阵），请使用 networkSize 和顶层摘要字段作为大模型输入，并通过 Apify 数据集 API 单独获取完整详情。Website Content to Markdown 可以帮助将结构化数据转换为适合大模型的格式。

帮助我们改进

如果遇到问题，你可以在 Apify 账户中启用运行共享，帮助我们更快地排查问题：

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

发现错误或有功能需求？请在此 Actor 页面上的 Issues 选项卡中提交问题。对于定制企业集成（包括私有数据导入、自定义算法配置或白标部署），请通过 Apify 平台联系我们。