用 Apify MCP 为 Claude 添加 FDA 药物不良事件查询

向 Claude 询问某种药物有哪些已知的安全信号，它会根据训练数据作答：给出一份看似合理的总结，但信息停留在过去的某个时间点，也没有对应的报告 ID。对于随口一问，这或许足够了。但在药物警戒工作中，任务是从真实报告中识别真实信号，而“看似合理的总结”恰恰与你需要的东西背道而驰。你需要看到原始病例：哪些人受到了影响、记录了什么不良反应、严重程度如何，以及报告者实际将哪种药物标记为可疑药物。

本指南将把 Claude 连接到官方 Apify MCP server，并开放一个用于读取 FDA Adverse Event Reporting System（FAERS）的 Actor。完成后，你将拥有一个可实际运行的工具，Claude、Cursor 或任何 MCP client 都可以在对话过程中调用它，获取某种药物的真实不良事件报告，包括患者详情、不良反应、严重程度，以及安全性审查真正关注的可疑药物与合并用药分类。

下面展示的全部是真实配置和真实输出，没有模拟响应。

什么是 Apify MCP server？

Model Context Protocol（MCP）是一项开放标准，允许 AI client 调用外部工具。Apify MCP server 在 Apify 平台之上实现了这一标准，这意味着 Apify Store 中数以千计的 Actor 都可以成为 Agent 能够调用的工具。

为什么要通过 MCP 调用 Actor，而不是硬编码 API 请求？

Agent 自行决定何时获取数据。Claude 会理解对话内容，在发现自己需要当前并不掌握的最新报告数据时，自主调用工具。你不必为每个问题编写胶水代码。

结构化输入与输出。MCP server 会把 Actor 的输入 schema 提供给 Claude，让模型能够正确填写参数，并返回便于推理的整洁 dataset。

一次连接，多个工具。同一个 MCP endpoint 会开放 search-actors、fetch-actor-details 和 call-actor，因此 Agent 无需新增配置，就能发现并运行任意 Actor。

无需基础设施。server 已经托管完成，只需在配置文件中添加几行内容即可。

我们将使用的 Actor

我们将开放 openFDA Drug Adverse Events & Recalls Scraper。输入药物名称后，它会以结构化记录的形式返回 FAERS 安全性报告，包括：安全报告 ID、患者性别和年龄、报告的不良反应、严重性标记及其原因（住院、危及生命、死亡）、报告类型和日期、报告国家，以及报告中列出的全部药物。每种药物都会标明是可疑药物还是合并用药，并附带适应症和给药途径。将其 dataset 输入切换后，同一个 Actor 还可以获取药品召回行动。

这组字段正是药物警戒和药物安全性审查所需要的：不是单独一个数字，而是完整报告，让分析人员能够了解患者背景，并判断哪种药物被认为与事件有关。FAERS 是公开且权威的数据源，因此非常适合作为接入 Agent 的第一个数据源。

第 1 步：获取 Apify API token

登录 Apify Console，打开 Settings → Integrations，然后复制你的个人 API token。MCP server 使用该 token 进行身份验证，并将 Actor 运行费用计入你的账户。

📌 注意：token 属于机密信息。只应将其保存在 client 配置中，绝不要放进 prompt 或提交到版本库的文件里。

第 2 步：让 Claude Desktop 连接 Apify MCP server

打开 Claude Desktop 的配置文件（Settings → Developer → Edit Config；在 macOS 上也可以打开 ~/Library/Application Support/Claude/claude_desktop_config.json），然后添加 Apify server。这里最重要的是 tools query parameter：它会告诉 server 应该开放哪个 Actor，从而让 Claude 获得一个目标明确的工具，而不是整个 Apify Store。

{
  "mcpServers": {
    "apify": {
      "url": "https://mcp.apify.com?tools=scrapers_lat/openfda-drug-events-scraper",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor 使用同样的 JSON，配置文件位于 .cursor/mcp.json。如果你更愿意在本地通过 stdio 运行，而不是使用托管 endpoint，可以使用以下配置：

{
  "mcpServers": {
    "apify": {
      "command": "npx",
      "args": ["-y", "@apify/actors-mcp-server", "--tools", "scrapers_lat/openfda-drug-events-scraper"],
      "env": { "APIFY_TOKEN": "YOUR_APIFY_TOKEN" }
    }
  }
}

重启 Claude Desktop，让它加载新的 server。

第 3 步：确认工具已加载

重启后，这个 Actor 会显示为一个可调用工具。如果列出 Apify server 开放的工具，你会看到一些 storage helper，以及以 Store handle 命名的 Actor 本身：

get-actor-run, get-dataset-items, get-key-value-store-record,
abort-actor-run, scrapers_lat--openfda-drug-events-scraper

最后一项 scrapers_lat--openfda-drug-events-scraper 就是我们的药物警戒工具。现在，Claude 已经知道它的存在、它能做什么（来自 Actor 的 README），以及它接受哪些输入（来自 server 提供的 input schema）：作为药物名称的 searchQuery、用于选择 events 或 recalls 的 dataset、可选的日期范围，以及限制记录数量的 maxRecords。

第 4 步：让 Claude 获取不良事件报告

现在到了看到成果的时候。在普通对话中，提出一个必须依赖真实报告才能回答的问题：

“获取近期提到 aspirin 的 FDA 不良事件报告（FAERS）。完整展示一个严重病例，包括患者信息、不良反应，以及哪种药物被标记为可疑药物。”

Claude 会识别出自己无法仅凭记忆回答这个问题，于是选择 FAERS 工具，并根据你的问题填写输入参数。在底层，client 会通过 tools/call 发送 Actor 参数：

{
  "name": "scrapers_lat--openfda-drug-events-scraper",
  "arguments": {
    "searchQuery": "aspirin",
    "dataset": "events",
    "maxRecords": 25
  }
}

Apify MCP server 会启动 Actor，等待其运行结束，然后返回 dataset。下面是这次真实运行生成的 metadata：

{
  "runId": "DzlAwbvYGb0ojGgBt",
  "actorName": "scrapers_lat/openfda-drug-events-scraper",
  "status": "SUCCEEDED",
  "startedAt": "2026-07-30T17:43:55.891Z",
  "finishedAt": "2026-07-30T17:44:00.884Z",
  "stats": { "runTimeSecs": 4.8 }
}

不到 5 秒，就拿到了 25 份实时 FAERS 报告。

第 5 步：读取真实输出

该工具返回的 dataset 是结构化的安全报告数据。以下是此次运行中的一条真实记录，为便于安全性审查，仅保留了关键字段：

{
  "safetyReportId": "10003432",
  "reportType": "Spontaneous",
  "serious": true,
  "seriousnessReasons": ["Hospitalization"],
  "receiveDate": "2014-03-12",
  "primarySourceCountry": "US",
  "reporterQualification": "Consumer or non-health professional",
  "patientSex": "Female",
  "patientAge": "84 year",
  "reactions": ["Oedema peripheral", "Fluid retention"],
  "drugs": [
    { "product": "LETAIRIS", "genericName": "AMBRISENTAN",
      "characterization": "Suspect", "indication": "PULMONARY HYPERTENSION",
      "route": "ORAL" },
    { "product": "ASPIRIN", "genericName": "ASPIRIN",
      "characterization": "Concomitant", "route": "ORAL" }
  ]
}

Claude 会读取这些数据，并用自然语言回答：这是一份严重报告，安全报告编号为 10003432。患者是一名 84 岁女性，因外周水肿和液体潴留住院。她的用药清单中包含 aspirin，但报告者将其标记为合并用药；被标记为可疑药物的是 Letairis（ambrisentan），用于治疗肺动脉高压，而液体潴留是该类药物已知的安全信号。上述每一项事实都可以追溯到官方 FAERS 记录，而不是来自模型的记忆。

可疑药物与合并用药之间的区别，正是这里的关键。简单搜索关键字“aspirin”会找到这份报告，但报告作者并没有把问题归因于 aspirin。分析人员必须看到这种区别，而模型也需要结构化的 characterization 字段，才能如实传达信息，而不是暗示 aspirin 导致了水肿。这个工具能够呈现这种区别；仅凭记忆生成的总结则会把它抹平。

一个真实用例：信号分诊助手

把它放到实际场景中来看。负责监测某个产品的药物安全性分析人员，需要处理不断进入的 FAERS 报告，并从噪声中分离出信号。对于每种关注的药物，他们都需要快速了解：近期有多少份严重报告、哪些不良反应反复出现，以及在多少份报告中，该药物是真正的可疑药物，而不是仅仅出现在患者的用药清单里。

没有工具时，分析人员需要查询 FAERS 前端，逐份打开报告，再把字段复制到电子表格中。将这个工具接入 Claude 后，分析人员只需说出药物名称，并要求 Agent 获取近期报告、统计其中有多少份被标记为严重、汇总最常见的不良反应，再列出该药物被标记为可疑药物的病例及其记录的严重性原因。Claude 会调用 Actor，对返回的 dataset 进行推理，并生成一份简短的分诊记录，以报告 ID 作为证据。分析人员可以把时间花在专业判断上，而不是复制粘贴。

一个更具体的请求可以写成这样的任务简报：“获取该药物最近一批报告，按不良反应分组，告诉我哪些不良反应出现在严重报告中，并标记所有该药物属于可疑药物、且严重性原因为死亡或危及生命的病例。”Claude 会填写输入参数，运行一次 Actor，然后用表格回答。表格中的每一行都有据可查，因为每一行都能通过 safetyReportId 指向对应的 FAERS 记录。对下一种药物，只需改一个词就能复用同一个 prompt。这正是 Agent 工具优于固定 dashboard 的原因：问题可以变化，工具也能随之调整。

所有优秀的 Agent 工具都遵循这种模式：它消除的是机械的数据获取工作，而不是替代决策。并且，由于每条记录都包含 safetyReportId，Agent 总结中的每一项结论都可以回溯并审计至原始报告。

更进一步：串联第二个工具

不良事件分诊通常不会止步于报告本身。确定可疑药物后，下一个问题是：其获批的药品说明书怎么说？其中包括适应症、警告、黑框警告，以及制造商已经列出的不良反应。

你可以扩展 tools parameter，让同一个 MCP 连接开放更多 Actor：

https://mcp.apify.com?tools=scrapers_lat/openfda-drug-events-scraper,scrapers_lat/openfda-drug-labels-scraper

现在，Agent 可以在同一次对话中获取某种药物的 FAERS 报告和 FDA 官方药品说明书，然后告诉你：报告中反复出现的某项不良反应，究竟已经是说明书记录的警告，还是看起来像一个新信号。由于每个 Actor 都是独立工具，Agent 会自行选择每一步该使用哪一个：用 events 获取现场信号，用 labels 获取获批的参考信息。

🏹 故障排查：如果工具没有出现在 Claude 中，通常有两个原因。一是 tools parameter 中缺少 Actor handle 或存在拼写错误——它必须与 Store URL 中的 username/actor-name 完全一致；二是在 Claude 运行期间修改了配置。修正 handle、保存配置，然后彻底重启 client。

📌 注意：每次工具调用都会真正运行一次 Actor，并计费到你的 Apify 账户中（该 Actor 按结果收费）。对于交互式分诊，每次查询的成本不到一美分；如果你计划定期扫描数千种药物，应通过 Apify API 或 scheduled task 直接运行 Actor，而不是让每条聊天消息都触发一次调用。

关于结果解读

FAERS 是一个自发报告系统。一份报告只代表有人提交了它，并不意味着药物导致了该事件，而且许多报告来自消费者，而不是临床医生。报告中的不良反应可能对应任何结局，同一个病例可能列出十几种药物，并且还存在重复报告。

把 FAERS 接入 Agent 的价值，不在于自动判断因果关系，而在于快速、可审计地访问原始报告，让经过专业训练的审查人员负责解读。只要始终坚持这一定位，这个工具就能在严肃的工作流程中发挥应有的价值。

现在，你已经拥有一个能够在对话过程中按需获取真实 FDA 不良事件报告的 AI Agent，并能提供安全性审查真正需要的患者背景、严重程度和可疑药物详情。这套模式可以重复使用：选择一个返回权威结构化数据的 Actor，通过 Apify MCP server 的 tools parameter 将其开放出来，再让 Agent 自行决定何时调用。

切换 Actor 的 dataset 输入，即可获取药品召回行动，而不是不良事件；也可以设置日期范围，将查询聚焦于特定报告窗口。

添加 drug-labels Actor，或 clinical-trials、NDC-directory Actor，即可构建多步骤的药物情报 Agent。

阅读 Apify MCP server 文档，可以进一步了解 OAuth 配置、resource 读取，以及允许 Agent 发现未预先配置 Actor 的 search-actors / call-actor 工具。

本指南使用的 Actor：openFDA Drug Adverse Events & Recalls Scraper。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。