Workforce Competitive Intelligence

员工队伍竞争情报 MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速入门

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "workforce-competitive-intelligence-mcp": {
      "url": "https://ryanclinton--workforce-competitive-intelligence-mcp.apify.actor/mcp"
    }
  }
}

---

以查询速度获取员工队伍竞争情报 — 这个 MCP 服务让你的 AI 助手实时访问任意公司的招聘信号、专利发明人流动、研究人员流失、技术能力图谱和高管离职风险。将它连接到 Claude、Cursor 或任何兼容 MCP 的客户端，即可提出过去需要一整个分析师团队才能回答的问题。

该服务整合 7 个独立数据源 — 职位发布、USPTO 专利、EPO 专利、ORCID 研究人员资料、公司研究、GitHub 活动和 SEC Form 4 内部人士交易申报 — 并行运行这些数据源，并应用四种评分模型，生成结构化的员工队伍情报。每次工具调用都会返回带评分和信号注释的 JSON 响应，并给出 INVEST/MONITOR/CAUTION/AVOID 判定。无需订阅，无需电子表格。每次查询仅需 $0.045。

可以提取哪些数据？

数据点	来源	示例
📋 在招职位数量、资历分布、职能分布	就业市场情报	47 个职位空缺：12 个高级职位、18 个工程职位
🔬 专利发明人、申请速度、知识产权领域	USPTO 专利搜索	23 项美国专利、8 位不同发明人，聚焦 AI/ML
🌍 欧洲专利申请、跨境知识产权	EPO 专利搜索	14 项欧盟专利，检测到全球知识产权战略
🎓 研究人员所属机构、流动率、ORCID 资料	ORCID 研究人员搜索	19 位研究人员中有 6 位拥有多个所属机构
🏢 公司融资、扩张信号、困境指标	公司深度研究	完成 C 轮融资，发现员工人数增长
💻 GitHub 仓库、星标数、贡献者活动、主题	GitHub 仓库搜索	31 个仓库、4,200 个星标，过去 180 天内活跃
📈 SEC Form 4 卖出/买入比、大额交易	SEC 内部人士交易	内部人士卖出 9 次、买入 2 次 — 卖出比例为 81%
🎯 人才流动速度评分（0-100）	综合评分	得分 74 — 增长信号为 SURGING
🔴 人才流失指数（0-100）	综合评分	得分 42 — 流失程度为 AT_RISK
⚠️ 高管离职风险（0-100）	综合评分	得分 68 — 风险为 HIGH，有 3 位连续卖出者
🗺️ 竞争能力图谱、技术领域	综合评分	在 AI/ML、Cloud、DevOps 领域占主导
📊 综合员工队伍档案判定	全部 7 个数据源	INVEST — 综合得分 71

为什么使用 Workforce Competitive Intelligence MCP Server？

手动构建员工队伍情报全景，意味着要从五个来源提取职位信息、交叉核对 USPTO 和 EPO 专利申报、检查 ORCID 资料、审查 SEC EDGAR Form 4 申报，并在 GitHub 上搜寻工程信号。分析一家公司就要花一整天。比较竞争对手则要花两天。分析包含十家公司的投资组合更是根本无从着手。

这个 MCP 服务可自动完成整个流程。只需向 AI 助手提出一个问题 — “Palantir 的人力资本风险如何？” — 即可在两分钟内收到一份带评分和信号注释的档案，同时利用全部 7 个数据源。

• 定时运行 — 每天或每周定期运行员工队伍监测，让 AI 无需手动触发即可获取最新招聘信号
• API 访问 — 通过 Python、JavaScript 或任何 HTTP 客户端触发分析，并接入现有研究流程
• 并行执行 — 全部 7 个 Actor 调用并发运行，因此完整档案的生成时间与单次顺序查询相当
• 支出控制 — 设置每次运行的最高费用，确保成本不会超出你的授权额度
• 集成 — 将结果连接到 Zapier、Make、webhook 或 CRM，以自动发送人才风险警报

功能

• 人才活力评分（0-100） — 综合职位发布数量（最高 40 分）、通过 HHI 分析得出的人才招聘职能多样性（最高 25 分）、过去 180 天的 GitHub 活跃度（最高 20 分）以及公司增长信号（最高 15 分）
• 人才流失指数（0-100） — 分析 USPTO 和 EPO 专利申请中的发明人连续性、ORCID 多重隶属关系流动率、作为领导层离职代理指标的 SEC 内部人士抛售比率，以及低招聘量的综合信号
• 竞争能力图谱 — 使用关键词频率评分，对职位名称、专利标题和 GitHub 主题中的 10 个技术领域（AI/ML、Cloud、Blockchain、Cybersecurity、Mobile、Data/Analytics、Frontend、Backend、DevOps）进行映射
• 高管离职风险（0-100） — SEC Form 4 买卖比率（最高 40 分）、具名高管的连续卖出者集中度（最高 20 分）、C 级高管替补招聘（CEO/CTO/CFO/COO/VP 职位，最高 20 分）、公司困境文本信号（最高 20 分）
• 综合员工队伍档案 — 对人才活力（25%）、人才流失反向指标（25%）、竞争能力（30%）和高管离职风险反向指标（20%）进行加权综合，并应用 INVEST/MONITOR/CAUTION/AVOID 覆盖逻辑
• AVOID 覆盖规则 — 如果高管离职风险为 CRITICAL，或人才流失为 HEMORRHAGING，无论综合评分如何，判定结果均强制为 AVOID
• 7 个并行数据源 — 同时获取职位发布、USPTO 专利、EPO 专利、ORCID 研究人员、公司研究、GitHub 仓库和 SEC 内部人士交易数据
• 信号说明 — 每项评分均包含易于理解的信号文本（例如，“9 个高级/领导层职位——正在组建新的组织层级”），可直接用于 AI 生成的报告
• 双公司基准比较 — benchmark_talent_strategy 并行分析两家公司，并返回并列的人才活力和竞争能力评分，同时给出明确的优势方
• 人力资本风险综合评分 — assess_human_capital_risk 对人才流失赋予 55% 权重，对高管离职风险赋予 45% 权重，得出单一组织健康度评分
• 增长信号分类 — 应用于人才活力输出的五级标签：CONTRACTING、STABLE、GROWING、SURGING、HYPERGROWTH
• 人才流失程度分类 — 应用于人才流失输出的五级标签：RETAINING、STABLE、AT_RISK、DRAINING、HEMORRHAGING
• 能力等级分类 — 应用于竞争能力输出的五级标签：NASCENT、DEVELOPING、COMPETITIVE、LEADING、DOMINANT
• 按次付费 — 每次工具调用 $0.045，无固定订阅费

员工队伍竞争情报的使用场景

竞争对手战略转向检测

企业战略团队和竞争情报分析师需要在竞争对手发布新闻稿数月前，了解其是否正在改变方向。连接到此 MCP 的 AI 助手可以结合实时职位发布数量、资历构成和职能分布数据，回答“Palantir 是否正转向招聘国防 AI 人才？”等问题。AI/ML 职位中工程岗位占比突然上升，同时在同一领域出现美国和欧盟专利申请，可以在公开宣布之前提供提前 3-6 个月的信号。

并购人力资本尽职调查

负责并购尽职调查的投资银行家、PE 分析师和企业发展团队需要在交易完成前量化人力资本风险。generate_workforce_dossier 工具可在不到两分钟内生成带有 INVEST/MONITOR/CAUTION/AVOID 判定结果的评分档案。将其与专利发明人流动数据结合，可评估关键 IP 创造者是否仍在职，或是否已离职加入竞争对手，这会直接影响标的公司的无形资产估值。

高管留任预警

上市公司的投资者关系团队、董事会成员和人力资源负责人会跟踪 SEC Form 4 内幕交易，将其作为高管稳定性的信号。monitor_executive_transitions 工具会识别卖出比例高的高管、金额超过 $1M 的大额个人交易，以及异常集中模式（连续卖出者），并标记同时开放的 C-suite 替换职位——这是领导层即将出现不稳定的多重信号指标。

人才战略基准分析

希望将自身组织与直接竞争对手进行比较的人才招聘负责人和 CHRO，需要的不只是 LinkedIn 员工人数。benchmark_talent_strategy 工具会并行分析两家公司的招聘信息、专利和 GitHub 数据，并返回并排对比的人才发展速度评分和竞争能力图谱，指出哪家公司招聘势头更强、技术领域布局更深入。

学术界到产业界的人才流动监测

制药、国防、半导体、生物技术等研究密集型行业需要了解关键学术研究人员何时与商业竞争对手建立关联。detect_researcher_attrition 工具会查询 ORCID 资料，找出具有多重任职关系的研究人员（与两个或更多机构存在关联的科学家），交叉核对正在申请的专利，并计算人才流动率，以提示潜在的技术转移风险。

投资组合人才风险监测

拥有 10+ 家投资组合公司的风险投资和私募股权公司，无法手动跟踪每家被投公司的员工队伍状况。为每家公司安排每周运行的 assess_human_capital_risk，并通过 webhook 将结果发送到 Slack 频道或 CRM。若任何被投公司的人力资本风险超过 60+ 阈值，请及时标记，以便在人才问题恶化前主动与创始人沟通。

如何连接此 MCP 服务

步骤 1：获取 Apify API token

在 apify.com 注册，并从 Settings > Integrations 复制 token。Apify 免费套餐每月包含 $5 额度，约可用于 111 次工具调用。

步骤 2：将 MCP 服务添加到客户端

服务端点为：

https://workforce-competitive-intelligence-mcp.apify.actor/mcp

使用 Apify token 进行身份验证。

步骤 3：配置 MCP 客户端

Claude Desktop — 添加到 claude_desktop_config.json：

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

Cursor / Windsurf / Cline — 在 MCP 设置面板中添加服务 URL 和 Authorization 标头。该服务通过 HTTP POST 响应标准 MCP 协议请求。

步骤 4：开始查询

用自然语言向 AI 助手提问：

• “生成 Stripe 的完整员工队伍档案”
• “比较 Snowflake 和 Databricks 的招聘速度”
• “Intel 的高管离职风险如何？”
• “追踪 NVIDIA 的发明者流动情况”

MCP 工具

工具	价格	数据来源	描述
analyze_hiring_signals	$0.045	招聘信息 + 公司 + GitHub	人才发展速度评分，包含职能分布和增长信号
track_inventor_movement	$0.045	USPTO + EPO	发明者连续性、主要发明者名单、专利发展速度
detect_researcher_attrition	$0.045	ORCID + USPTO	研究人员流动率、任职关系变化、人才流失信号
map_technical_capabilities	$0.045	招聘信息 + USPTO + EPO + GitHub	覆盖 10 个技术领域的能力图谱，包含专利和代码库数量
monitor_executive_transitions	$0.045	SEC + 公司 + 招聘信息	高管离职风险评分，包含卖出/买入比例和连续卖出者标记
benchmark_talent_strategy	$0.045	招聘信息 + USPTO + GitHub（两家公司）	并排对比人才发展速度和能力评分，并声明优势方
assess_human_capital_risk	$0.045	USPTO + EPO + ORCID + SEC + 招聘信息	人才流失（55%）+ 高管离职风险（45%）的综合风险评分
generate_workforce_dossier	$0.045	全部 7 个来源	完整档案，包含全部 4 种评分模型及 INVEST/MONITOR/CAUTION/AVOID 结论

工具提示

• 目标未知时使用 generate_workforce_dossier — 它会获取全部 7 个来源和全部 4 个模型，让你在使用单个工具进一步分析之前，先全面了解情况
• 进行竞争性推介之前使用 benchmark_talent_strategy — 并列评分能为团队提供有依据且量化的谈话要点
• 进行投资组合监控时使用 assess_human_capital_risk — 这是获取单一风险数值的最经济方式，适用于基于阈值的告警
• 进行 IP 尽职调查时使用 track_inventor_movement — 顶尖发明家列表会准确显示谁一直在创造 IP，以及其产出是否正在下降
• 串联工具进行深入分析 — 先运行 monitor_executive_transitions；如果离职风险为 HIGH，则继续运行 detect_researcher_attrition，确认领导层不稳定是否与人才流失相关

输出示例

以下是 generate_workforce_dossier 针对一家中型科技公司的代表性响应：

{
  "entity": "Meridian Analytics Inc",
  "compositeScore": 68,
  "verdict": "MONITOR",
  "talentVelocity": {
    "score": 74,
    "totalOpenings": 38,
    "seniorRoles": 11,
    "techRoles": 22,
    "growthSignal": "SURGING",
    "signals": [
      "38 open positions — aggressive hiring campaign",
      "11 senior/leadership roles — building new org layers",
      "22 technical roles — major engineering investment",
      "Hiring across 5 functions — broad organizational growth"
    ]
  },
  "brainDrain": {
    "score": 37,
    "inventorCount": 14,
    "researcherCount": 11,
    "patentActivity": 19,
    "drainLevel": "AT_RISK",
    "signals": [
      "4 researchers with multiple affiliations — talent mobility risk"
    ]
  },
  "competitiveCapability": {
    "score": 71,
    "techDomains": ["AI/ML", "Cloud", "Data/Analytics", "DevOps", "Backend"],
    "patentStrength": 19,
    "talentDepth": 24,
    "capabilityLevel": "LEADING",
    "signals": [
      "Active across 5 tech domains: AI/ML, Cloud, Data/Analytics, DevOps, Backend",
      "19 patents — strong IP portfolio",
      "Patents in both US and EU — global IP strategy",
      "24 public repos — significant open-source investment"
    ]
  },
  "executiveFlight": {
    "score": 29,
    "insiderSells": 4,
    "insiderBuys": 7,
    "sellRatio": 0.36,
    "riskLevel": "MODERATE",
    "signals": []
  },
  "allSignals": [
    "38 open positions — aggressive hiring campaign",
    "11 senior/leadership roles — building new org layers",
    "22 technical roles — major engineering investment",
    "Active across 5 tech domains: AI/ML, Cloud, Data/Analytics, DevOps, Backend",
    "19 patents — strong IP portfolio",
    "4 researchers with multiple affiliations — talent mobility risk"
  ],
  "keyRisks": [],
  "keyStrengths": [
    "Strong talent velocity — aggressive hiring signals",
    "Strong competitive position — deep IP and tech capabilities",
    "Executive stability — insiders holding/buying"
  ]
}

输出字段

字段	类型	描述
entity	string	传递给工具的公司名称
compositeScore	number	加权综合评分 0-100（速度 25% + 反向流失 25% + 能力 30% + 反向离职 20%）
verdict	string	INVEST / MONITOR / CAUTION / AVOID
talentVelocity.score	number	人才速度评分 0-100
talentVelocity.totalOpenings	number	找到的活跃招聘职位总数
talentVelocity.seniorRoles	number	高级职位／总监／VP／首席职位数量
talentVelocity.techRoles	number	工程／开发／ML／AI 职位数量
talentVelocity.growthSignal	string	CONTRACTING / STABLE / GROWING / SURGING / HYPERGROWTH
talentVelocity.signals	string[]	易于理解的信号描述
brainDrain.score	number	人才流失指数 0-100（越高 = 流失越严重）
brainDrain.inventorCount	number	从 USPTO 和 EPO 找到的专利发明人去重人数
brainDrain.researcherCount	number	找到的 ORCID 注册研究人员数量
brainDrain.patentActivity	number	两个司法辖区的专利总数
brainDrain.drainLevel	string	RETAINING / STABLE / AT_RISK / DRAINING / HEMORRHAGING
brainDrain.signals	string[]	关于专利下降、流动性和内部人士模式的信号描述
competitiveCapability.score	number	竞争能力评分 0-100
competitiveCapability.techDomains	string[]	根据出现频率排序的最多 8 个检测到的技术领域
competitiveCapability.patentStrength	number	USPTO + EPO 的专利总数
competitiveCapability.talentDepth	number	公开 GitHub 仓库数量
competitiveCapability.capabilityLevel	string	NASCENT / DEVELOPING / COMPETITIVE / LEADING / DOMINANT
executiveFlight.score	number	高管离职风险 0-100（越高 = 风险越大）
executiveFlight.insiderSells	number	找到的内部人士卖出交易总数
executiveFlight.insiderBuys	number	找到的内部人士买入交易总数
executiveFlight.sellRatio	number	卖出交易数除以交易总数（0-1）
executiveFlight.riskLevel	string	LOW / MODERATE / ELEVATED / HIGH / CRITICAL
allSignals	string[]	汇总所有模型中去重后的信号描述
keyRisks	string[]	任一评分超过阈值时显示的主要风险描述
keyStrengths	string[]	任一评分超过正向阈值时显示的主要优势描述

运行劳动力情报查询需要多少费用？

此 MCP 服务采用按事件付费定价——每次工具调用费用为 $0.045。平台计算费用已包含在内。服务闲置时无需付费。

场景	工具调用次数	每次调用费用	总费用
快速测试 — 检查一项招聘信号	1	$0.045	$0.045
每周竞争对手监控 — 4 个工具	4	$0.045	$0.18
针对一个目标的完整档案	1	$0.045	$0.045
尽职调查冲刺 — 10 家公司	10	$0.045	$0.45
投资组合监控 — 每周 50 家公司	50	$0.045	$2.25

你可以为每次运行设置最高支出限额以控制费用。达到预算后，服务会停止收费，并返回清晰的限额已达提示。

相比之下，专门的人才情报平台针对同类劳动力信号数据，每年收费 $15,000-80,000。此 MCP 的大多数用户每月花费 $2-20，且无需订阅承诺。

直接使用 API

Python

import requests
import json

token = "YOUR_APIFY_TOKEN"
url = "https://workforce-competitive-intelligence-mcp.apify.actor/mcp"
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {token}"
}

payload = {
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
        "name": "generate_workforce_dossier",
        "arguments": {"company": "Snowflake"}
    },
    "id": 1
}

response = requests.post(url, headers=headers, json=payload)
result = response.json()
content = json.loads(result["result"]["content"][0]["text"])

print(f"Company: {content['entity']}")
print(f"Verdict: {content['verdict']} (composite score: {content['compositeScore']})")
print(f"Growth signal: {content['talentVelocity']['growthSignal']}")
print(f"Drain level: {content['brainDrain']['drainLevel']}")
print(f"Capability: {content['competitiveCapability']['capabilityLevel']}")
print(f"Executive risk: {content['executiveFlight']['riskLevel']}")
for signal in content["allSignals"]:
    print(f"  - {signal}")

JavaScript

const token = "YOUR_APIFY_TOKEN";
const url = "https://workforce-competitive-intelligence-mcp.apify.actor/mcp";

const response = await fetch(url, {
  method: "POST",
  headers: {
    "Content-Type": "application/json",
    "Authorization": `Bearer ${token}`
  },
  body: JSON.stringify({
    jsonrpc: "2.0",
    method: "tools/call",
    params: {
      name: "benchmark_talent_strategy",
      arguments: { company_a: "Databricks", company_b: "Snowflake" }
    },
    id: 1
  })
});

const result = await response.json();
const content = JSON.parse(result.result.content[0].text);

const { comparison, talentAdvantage, capabilityAdvantage } = content;
console.log(`Talent velocity advantage: ${talentAdvantage}`);
console.log(`Capability advantage: ${capabilityAdvantage}`);

for (const [company, data] of Object.entries(comparison)) {
  const d = data as any;
  console.log(`${company}: velocity ${d.talentVelocity.score} (${d.talentVelocity.growthSignal}), capability ${d.competitiveCapability.score} (${d.competitiveCapability.capabilityLevel})`);
}

cURL

# Run a full workforce dossier
curl -X POST "https://workforce-competitive-intelligence-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_workforce_dossier",
      "arguments": {"company": "Palantir Technologies"}
    },
    "id": 1
  }'

# Run a two-company benchmark
curl -X POST "https://workforce-competitive-intelligence-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "benchmark_talent_strategy",
      "arguments": {"company_a": "OpenAI", "company_b": "Anthropic"}
    },
    "id": 2
  }'

Workforce Competitive Intelligence MCP 的工作原理

阶段 1：从 7 个来源并行收集数据

调用工具时，服务会使用 Promise.allSettled 同时调度最多 7 个 Apify actor 调用。每个 actor 都会独立运行，内存为 256 MB，超时时间为 120 秒。如果任一 actor 失败，仍会返回其余结果，并将该来源的数据视为空数组——因此，USPTO 服务中断不会妨碍招聘分析。这 7 个 actor 分别是：job-market-intelligence、patent-search（USPTO）、epo-patent-search（EPO）、orcid-researcher-search、company-deep-research、github-repo-search 和 sec-insider-trading。

阶段 2：应用评分模型

四种评分模型会对收集到的数据数组进行分析：

人才流动速度使用积分上限模型。职位数量最多贡献 40 分（数量 * 2 + 高级职位 * 3，上限为 40）。职能多样性使用赫芬达尔-赫希曼指数（HHI）——集中度越低，多样性得分越高，最高为 25 分。过去 180 天的 GitHub 活动最多贡献 20 分。公司增长信号（融资、扩张、员工人数相关关键词）最多贡献 15 分。

人才流失通过比较近期与较早年份的专利申请数量来评估专利延续性——数量下降 50% 以上会触发 25 分的惩罚信号。ORCID 多重隶属率（与 2 个或更多机构有关联的研究人员）最多贡献 25 分。SEC 卖出比例最多贡献 25 分。招聘减少与卖出增加相结合的信号最多额外贡献 15 分。

竞争能力使用涵盖 10 个领域的关键词词典，从职位名称文本、专利标题文本以及 GitHub 主题／描述文本中提取技术领域信息。领域数量最多得 30 分。专利总数最多得 30 分（每项专利 2 分）。GitHub 深度（仓库数量 + 星标数 + 贡献者数量）最多得 25 分。跨领域招聘广度最多贡献 15 分。

高管离职风险分析 Form 4 交易类型。卖出／买入比例决定主要得分，最高为 40 分；超过 $1M 的个人大额卖出会进一步提高得分（每笔 5 分）。连续卖出者——有 3 笔或更多卖出交易的高管——会在信号中逐一列出，并通过集中度得分最多贡献 20 分。职位发布中的 C-suite 替换岗位（CEO、CTO、CFO、COO、SVP）每个得 5 分，上限为 20 分。公司困境关键词（裁员、重组、诉讼、SEC 调查）最多贡献 20 分。

阶段 3：综合组装与结论

人才档案综合得分的权重为：人才流动速度 25%、倒置后的人才流失率 25%（100 - 流失得分）、竞争力 30%、倒置后的高管离职风险 20%。无论综合得分如何，都适用两条硬性覆盖规则：如果高管离职风险为 CRITICAL（得分 >= 80）或人才流失为 HEMORRHAGING（得分 >= 80），结论都将强制设为 AVOID。

阶段 4：信号说明与结构化输出

所有评分函数在超过阈值时都会生成易于理解的信号字符串，例如：“47 个技术岗位 — 大规模工程投入”或“3 笔大额销售（>$1M）— 高管大幅减持”。档案会将全部四个模型的所有信号汇总到一个 allSignals 数组中，并根据子评分是否突破阈值，将信号分别归入 keyRisks 和 keyStrengths。

最佳实践提示

1. 对于任何新的目标对象，请从 generate_workforce_dossier 开始。 它会使用全部 7 个数据源，并通过一次调用返回综合画像、主要风险和主要优势。之后仅在需要深入了解某个特定维度时使用单项工具。

2. 对于上市公司，高管离职风险最具实际参考价值。 SEC Form 4 数据精确且带有时间戳。卖出比例超过 0.7 且交易次数不少于 3 次，是可以带入投资委员会讨论的量化信号。

3. 将人才流失指数视为滞后指标。 专利申请需要数月处理，ORCID 个人资料的更新也并不定期。AT_RISK 或更高的评分可以确认某种趋势，但人才可能早在 6-12 个月前就已离职。结合人才流动速度（领先指标），才能掌握完整时间线。

4. 董事会演示前使用 benchmark_talent_strategy。 该工具会返回哪家公司在人才流动速度方面占优，以及哪家公司在能力方面占优——这两个数据点可直接使用，无需进一步解释。

5. 为投资组合监控设置支出限额。 如果每周检查 20 家公司的情况，请在 Apify 账户中设置每次会话的预算上限，以免批次扩大时产生意外费用。

6. 将发明人跟踪与能力映射结合起来。 对同一实体运行 track_inventor_movement 和 map_technical_capabilities，以关联哪些技术领域正在流失发明人。专利数量下降且发明人离开的领域，确实存在 IP 风险，而不仅仅是申请时间造成的表象。

7. 对于非上市公司，应预期 SEC 和专利数据覆盖率较低。 非上市公司不会提交 Form 4 报告，提交的专利也可能较少。在这种情况下，人才流动速度得分和 GitHub 深度比人才流失或高管离职得分更具分析价值。

与其他 Apify actors 组合使用

Actor	组合方式
Company Deep Research	在运行档案分析前，获取完整的公司资料，为评分中检测到的融资和扩张信号补充背景信息
Job Market Intelligence	针对特定职位或地区单独运行就业市场分析，通过更深入的筛选补充招聘信号分析
Website Tech Stack Detector	将 Capability Map 检测到的技术领域与公司实际投入生产使用的技术进行交叉比对，以确认或质疑专利／招聘信号
B2B Lead Qualifier	将员工队伍档案标记为 INVEST 的公司提交给潜在客户筛选工具，在联系之前生成可供销售使用的评分
Trustpilot Review Analyzer	利用公开评价中的员工情绪补充人才流失情况；评价分数下降通常早于 ORCID 和专利信号出现
WHOIS Domain Lookup	验证返回结果较少的目标公司的域名和注册信息，确认查询中使用的实体名称
Website Contact Scraper	通过员工队伍档案识别出投资评级为 INVEST 的目标后，提取决策者的联系信息以便联系

局限性

• 私营公司的 SEC 数据覆盖率为零。 SEC Form 4 文件仅要求上市公司的高管和董事提交。私营公司的高管离职风险评分完全依赖招聘和公司研究信号，这些信号是较弱的代理指标。
• 专利数据会滞后数周至数月。 USPTO 和 EPO 的专利公开时间线意味着，发明人近期离职情况可能尚未反映在专利记录中。脑力流失指数更适合作为确认性信号，而非预警系统。
• 招聘信息数据仅反映公开发布的职位。 主要通过内推、内部晋升或仅经由招聘人员渠道招聘的公司，其人才活跃度评分会低于实际招聘速度所显示的水平。
• ORCID 覆盖偏向学术领域。 未维护公开 ORCID 个人资料的研究人员（包括大多数商业研发员工）不会被纳入。对于拥有强大学术与产业研究项目的公司，研究人员流失信号最为可靠。
• GitHub 分析仅反映开源成果。 拥有大量专有工程活动但在 GitHub 上几乎没有公开项目的公司（常见于国防、金融和企业软件领域），其技术深度评分会低于实际能力所应得的水平。
• actor 的 120-second 超时限制可能导致大型结果被截断。 对于拥有数千条招聘信息或数百项专利的高活跃度公司，结果会受限于各底层 actor 在超时窗口内返回的数据量。
• 不会对公司名称进行消歧。 输入“Apple”会检索 Apple Inc 的数据，但也可能混入其他名为 Apple 的实体的结果。为提高准确性，请使用完整法定名称，或添加国家／地区或股票代码限定信息。
• 综合结论是量化信号，不构成投资建议。 INVEST／MONITOR／CAUTION／AVOID 结论反映的是汇总后的公开数据信号，在任何投资或战略决策中都应作为众多参考因素之一。

集成

• Apify API — 使用 Python、JavaScript 或任何 HTTP 客户端，以编程方式调用任意工具，用于自动化劳动力监测工作流
• Zapier — 按计划触发劳动力档案运行，并将 CAUTION/AVOID 判定发送到 Slack 或电子邮件，以发出投资组合风险提醒
• Make — 构建自动化竞争情报工作流，每周检查人才流动速度，并将结果写入 Google Sheets
• Google Sheets — 将档案判定和综合评分追加到竞争跟踪表格中，每次运行后自动更新
• Webhooks — 当任何公司的 Brain Drain 或 Executive Flight Risk 评分超过配置的阈值时，触发 webhook
• LangChain / LlamaIndex — 将劳动力情报作为工具嵌入 LangChain 或 LlamaIndex Agent 工作流，用于自主竞争研究

故障排除

公司正常运营，但返回的信号为空。 底层 Actor 会消解公司名称歧义。传入 “Microsoft” 会得到丰富的结果，但小众公司名称可能返回的数据较少。尝试包含完整法定名称、国家/地区限定信息或股票代码。对于 track_inventor_movement，请尝试使用公司的主要产品名称或技术领域，而非公司名称。

健康公司的 Brain Drain 评分意外偏高。 由于 USPTO 和 EPO 的处理延迟，专利申请间隔较长的情况很常见，即使发明人仍在积极工作，也可能触发专利下降信号。请与 detect_researcher_attrition 交叉核查——如果研究人员流动率较低，专利信号可能只是申请时间造成的假象，而非真正的人才流失。

generate_workforce_dossier 运行时间超出预期。 完整档案会并行运行 7 次 Actor 调用，每次超时为 120 秒。总运行时间通常为 60–120 秒。如果运行超过 3 分钟，请检查 Apify Actor 日志，查看各 Actor 是否单独超时。改用单一来源工具（例如 analyze_hiring_signals）可更快地返回探索性查询结果。

稳定公司的 Executive Flight Risk 显示为 CRITICAL。 某个季度发生大量内部人员抛售（常见于锁定期届满后或按计划执行 10b5-1 交易计划时），可能会暂时推高抛售比例。请查看原始响应中的 insiderTransactions 数组，以区分计划内的抛售与非计划的减持模式。

令牌身份验证失败。 服务要求使用包含 Bearer YOUR_APIFY_TOKEN 的 Authorization 标头。一些 MCP 客户端传递令牌的方式有所不同。如果使用 Claude Desktop，请确认 claude_desktop_config.json 中的标头格式与上方示例一致。你可以在 console.apify.com/account/integrations 获取令牌。

负责任地使用

• 此服务会查询公开的政府数据库（USPTO、EPO、SEC EDGAR）、研究人员公开档案（ORCID）和公开的软件代码库（GitHub）。
• 专利发明人数据和 SEC 备案数据会以发明人和公司高管的职业身份列出个人信息——这是法律要求公开披露的内容。
• ORCID 档案由研究人员创建和维护，且他们明确选择公开显示。
• 请勿使用劳动力情报输出针对个别员工进行未经请求的联系。
• 将这些数据用于 HR 或招聘决策时，请遵守适用的数据保护法规。
• 有关数据使用合法性的指导，请参阅 Apify 关于网页抓取合法性的指南。

常见问题解答

劳动力竞争情报与 LinkedIn Sales Navigator 或 Talent Insights 有何不同？ LinkedIn 提供员工人数快照和基本的职位分布数据。此 MCP 增加了 LinkedIn 无法提供的维度：专利发明人连续性（USPTO/EPO）、研究人员所属机构流动情况（ORCID）、高管股票交易模式（SEC Form 4）以及 GitHub 工程能力深度。这些替代信号通常比 LinkedIn 数据领先数月，因为专利和 ORCID 更新能捕捉到尚未反映在个人资料更新中的人员流动。

对于规模较小的公司，人才速度评分有多准确？ 规模较小的公司（员工少于 200 人）通常职位空缺较少，GitHub 仓库也较少，因此无论实际招聘速度如何，评分往往都偏低。与其将其绝对分数单独解读，不如将该信号用作比较工具——使用 benchmark_talent_strategy 将目标公司与规模相近的同行进行比较。

劳动力竞争情报能追踪个别员工吗？ 该服务会追踪专利发明人（在公开的 USPTO 和 EPO 备案文件中署名）、在 ORCID 注册的研究人员（他们选择公开个人资料），以及在 SEC Form 4 备案文件中列出的公司高管。它不会追踪普通员工，也不会访问私人雇佣记录或 LinkedIn 个人资料。

职位发布数据有多新？ 职位发布数据会在查询时从职位市场情报 Actor 实时获取，反映当前有效的职位列表。专利备案数据会因 USPTO 和 EPO 的处理时间而滞后数周至数月。SEC Form 4 数据通常会在交易发生后的 2 个工作日内公开。ORCID 数据反映研究人员最近一次个人资料更新，更新时间因人而异。

以这种方式分析竞争对手的招聘数据和 SEC 备案文件是否合法？ 合法。职位发布是公开广告。SEC Form 4 备案文件是法律要求公开披露的信息。专利备案文件本身就是公开记录，旨在促进知识传播。ORCID 个人资料由研究人员自愿公开。有关数据使用合法性的详细分析，请参阅 Apify 的指南。

AVOID 结论实际意味着什么？ 综合评分低于 30，或触发以下硬性覆盖条件时，会判定为 AVOID：高管离职风险被归类为 CRITICAL（评分 >= 80），或人才流失被归类为 HEMORRHAGING（评分 >= 80）。这表示人力资本存在显著的、多信号叠加的不稳定性。在并购场景中，它会标示出需要在交割前制定深入留任计划的目标公司。在竞争场景中，它会找出可能即将进入战略弱势期的竞争对手。

实际中如何检测高管离职风险？ 该模型会分析 SEC Form 4 交易类型分类，统计卖出与买入交易，识别发生 3 次或更多个人卖出交易的高管（连续卖出者），标记超过 $1M 的交易，并检查是否同时出现 C 级高管职位空缺。当卖出比例高于 0.8 且交易次数达到 3 次或更多时，会触发“高管正在清仓”的信号。从历史来看，这种模式往往先于高管离职，尤其是在公司研究中同时出现困境相关关键词时。

我可以安排此工具自动监控一系列公司吗？ 可以。你可以通过 Apify 平台调度器，安排定期运行 Apify Actor。使用 HTTP API 针对公司名称列表调用特定工具，并通过 webhook 将结果发送到 Slack、电子邮件或 CRM。对于定期监控，assess_human_capital_risk 工具的成本效益最高（每次运行每家公司 $0.045）。 这能与 Claude Desktop 的 MCP 集成配合使用吗？ 可以。按照上方连接指南中的说明，将服务 URL 和 Authorization 标头添加到你的 claude_desktop_config.json。连接后，你可以用自然语言向 Claude 询问任何公司的相关信息，它会调用相应工具、解读评分，并用通俗易懂的语言说明各项信号。

如果 7 个底层数据源中的某个不可用，会发生什么？ 该服务使用 Promise.allSettled 并行执行各个 Actor，这意味着单个 Actor 出错不会阻碍整体响应。例如，如果 EPO Actor 超时，响应仍会包含其他所有来源的数据，评分模型会将缺失来源视为空数组。返回的信号会指出该维度的数据覆盖有限。

该服务如何处理公司名称歧义？ 它不会自动进行实体消歧。你传入的公司名称会直接用作各个底层 Actor 的搜索查询。对于常见名称（例如，“Oracle”“Amazon”），这种方式效果很好。对于有歧义的名称，请在查询中添加国家、行业或股票代码，例如使用“Palantir Technologies NYSE”，而不只是“Palantir”。

哪些 MCP 客户端可以与该服务配合使用？ 任何支持通过 HTTP POST 使用 Model Context Protocol 的客户端都可以：Claude Desktop、Cursor、Windsurf、Cline，以及自定义的 LangChain 或 LlamaIndex Agent。该服务使用官方 MCP SDK 中的 StreamableHTTPServerTransport，并在 /mcp 端点响应。

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 与公开的 Actor 创建者共享运行记录

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。只有 Actor 开发者可以查看你的数据，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。如需定制企业集成或扩展数据源覆盖范围，请通过 Apify 平台联系我们。