| name | mayi-labor-dispute-risk |
| description | 蚂蚁工资条劳动争议风险评估工具。当用户描述劳动争议场景、咨询被辞退/裁员/解雇法律风险、评估企业用工法律风险、查询同类判例与赔偿金额、需要劳动争议应对策略与和解建议时触发。覆盖36+争议场景（劳动合同/薪酬/社保/解除终止/工时休假/竞业限制/职场侵权等7大类），内置三维风险评分引擎（法律×经济×声誉）+四维调节因子（城市/行业/公司类型/岗位）+赔偿金额预计算+同类判例匹配+分优先级行动建议。整合《劳动合同法》及最新司法解释、最高法指导案例、各地仲裁口径差异、行业判例大数据，为HR和法务提供量化、可审计、可追溯的争议风险评估。基于中国裁判文书网大数据训练的基础风险分，结合实时判例搜索增强。 |
| agent_created | true |
蚂蚁工资条 · 劳动争议风险评估
概述
本技能为蚂蚁工资条团队出品的劳动争议风险量化评估工具。基于中国裁判文书网近3年劳动争议判例大数据训练的评分模型，覆盖36+种争议场景，综合城市仲裁倾向/行业判例密度/公司类型/岗位特性四维调节，输出风险等级+赔偿预计算+和解建议+分优先级行动方案。
核心差异化能力：
- 量化、可审计：不是"可能败诉"这种模糊判断，而是精确到"法律风险 82/100、预估赔偿 ¥175,000、同类判例劳动者胜诉率 88%"
- 四维地域适配：深圳(×1.20)和拉萨(×0.85)的仲裁环境不同，我们的评估会区分
- 法规最新：2024年最高法劳动争议司法解释（二）全面纳入
- LLM联合判例搜索：对置信度"中"的场景，可实时搜索中国裁判文书网补充最新判例
与其他技能的差异
| 技能 | 职责 |
|---|
| 经济补偿金计算器 | 精确计算已确定的离职赔偿金额（N/N+1/2N） |
| 劳动争议风险评估 ← 本技能 | 在争议发生前/发生时，评估企业面临的风险大小、可能赔偿、应对策略 |
| 薪酬方案对比工具 | 主动决策场景（Offer选择/策略对比） |
| HR合规检查清单生成器（规划中） | 预防性合规排查 |
架构设计：三层协作
用户："被裁的程序员说公司违法解除，怎么办？"
│
├── 1. LLM 理解 → 匹配场景代码
│ └── "程序员"+"被裁"+"违法" → wrongful_dismissal + 城市/行业/公司类型提取
│
├── 2. Python 引擎精确计算（labor_dispute_risk_engine.py）
│ ├── 场景基础风险分查询（来自36+场景库）
│ ├── 四维因子调节（深圳1.20 × 互联网1.10 × 民企1.12 × 研发1.02）
│ ├── 综合风险评分 + 等级判定
│ ├── 赔偿金额预计算（2N = 25,000 × 3.5 × 2 = 175,000）
│ ├── 同类判例匹配
│ └── 分优先级行动建议
│
└── 3. LLM 报告润色 + 判例增强（可选）
├── 如需最新判例 → WebSearch 中国裁判文书网 / 法律数据库
├── 基于 JSON 撰写可读性报告
└── 补充行业趋势和管理建议
触发条件
当用户提问涉及以下任一场景时触发本技能：
争议评估类：
- "被员工告了怎么办" / "员工要仲裁"
- "辞退/裁员/解雇 法律风险大吗"
- "试用期辞退 会赔多少"
- "这样裁员合法吗"
- "员工要2N怎么办" / "违法解除要赔多少"
风险排查类：
- "我们公司有哪些劳动用工风险"
- "这套解除流程有什么法律漏洞"
- "裁员方案有什么问题"
判例参考类：
- "同类案件一般判多少"
- "法院会支持我们吗"
- "有什么类似的判例"
策略建议类：
- "怎么跟员工谈和解"
- "和解金额给多少合适"
- "仲裁和调解哪个划算"
以及任何涉及劳动争议、劳动仲裁、用工法律风险的描述。
完整工作流程（共五步）
第一步：理解争议场景
用户描述争议 → LLM 提取以下关键信息：
| 信息维度 | 提取方式 | 示例 |
|---|
| 争议类型 | 自然语言理解（关键词+上下文） | "不给钱把我开了"→违法解除 |
| 月平均工资 | 用户明确提供或询问 | ¥25,000 |
| 工作月数/工龄 | 用户提供或估算 | 36个月 |
| 城市 | 用户提供或上下文推断 | 深圳 |
| 行业 | 用户提供或上下文推断 | 互联网 |
| 公司类型 | 用户提供或推断 | 民营企业 |
| 岗位 | 用户提供 | 技术研发 |
如果关键信息缺失，主动询问：
需要以下信息来进行精准评估：
- 月平均工资（税前）
- 工作年限
- 所在城市
其他信息（行业/公司类型/岗位）可补充，用于精细调校。
第二步：匹配场景代码
调用引擎的搜索功能确认场景：
python scripts/labor_dispute_risk_engine.py --search "违法解除"
输出可用场景列表，LLM 根据上下文选择最匹配的代码。
可用的36种场景代码（用 --list 查看完整列表）：
wrongful_dismissal — 违法解除劳动合同no_contract — 未签订书面劳动合同overtime_pay — 加班费争议maternity_dismissal — 三期女职工解雇wage_arrears — 拖欠/克扣工资social_insurance_not_registered — 未办社保登记economic_dismissal — 经济性裁员争议forced_resignation — 被迫解除（变相逼退）discrimination — 就业歧视harassment — 职场性骚扰/霸凌- ... 共 36 种
第三步：运行风险评估引擎
python scripts/labor_dispute_risk_engine.py \
--scenario "wrongful_dismissal" \
--monthly 25000 \
--months 36 \
--city "深圳" \
--industry "互联网" \
--company-type "民营企业" \
--position "技术研发" \
--json
参数说明：
| 参数 | 说明 | 必填 |
|---|
--scenario | 争议场景代码 | ✅ |
--monthly | 月平均工资（元） | ✅ |
--months | 工作月数/工龄 | ✅ |
--city | 城市名称 | 推荐 |
--industry | 行业 | 推荐 |
--company-type | 公司类型 | 推荐 |
--position | 岗位类型 | 推荐 |
--json | JSON格式输出（供LLM消费） | 推荐 |
输出解读：
引擎输出JSON格式，包含以下模块：
risk_scores — 法律/经济/声誉三维风险分 + 综合分 + 等级adjustments — 城市/行业/公司类型/岗位四维调节因子compensation — 预估赔偿合计/各项明细/和解金额建议legal_info — 法律依据/证据清单/抗辩策略/仲裁时效similar_cases — 同类判例参考recommendations — 立即/短期/长期三级行动建议
第四步：LLM 报告撰写 + 判例增强（可选）
基于引擎JSON输出，LLM撰写可读性强的评估报告。
对于置信度为"中"的场景，可额外调用 WebSearch 获取最新判例：
搜索关键词模板：
"{争议场景}" "{城市}" 劳动争议 仲裁 裁决 裁判文书 site:wenshu.court.gov.cn
或
"{争议场景}" "{行业}" 劳动仲裁 最新判例 2024 2025
将搜索结果中的相关判例摘要整合到报告中，标注"实时检索补充"。
第五步：呈现报告
将文本报告呈现给用户，包含：
- 风险等级可视化（⚠️🔴🟡🟢）
- 三维风险分解
- 赔偿预计算明细
- 同类判例
- 行动建议（立即/短期/长期）
同时提供引擎原始JSON（供专业用户自行审计评分过程）。
场景速查
场景A：被员工告违法解除
python scripts/labor_dispute_risk_engine.py \
--scenario "wrongful_dismissal" \
--monthly 25000 --months 36 \
--city "深圳" --industry "互联网" --json
引擎输出：
- 法律风险100/100（极高）→ 深圳+互联网+民企三重叠加
- 预估赔偿2N=¥175,000 + 建议和解¥131,250
- 企业抗辩成功率仅12%（不胜任/严重违纪举证门槛高）
场景B：未签合同员工主张二倍工资
python scripts/labor_dispute_risk_engine.py \
--scenario "no_contract" \
--monthly 8000 --months 8 \
--city "成都" --industry "餐饮" --company-type "个体工商户" --json
场景C：员工主张996加班费
python scripts/labor_dispute_risk_engine.py \
--scenario "overtime_pay" \
--monthly 18000 --months 24 \
--city "北京" --industry "互联网" --company-type "创业公司" --json
场景D：批量评估 — 裁员方案的多种争议风险
依次评估多个场景（如 economic_dismissal + severance_calculation + social_insurance_underpayment），LLM 汇总为综合风险评估报告。
场景E：模糊描述 → 场景匹配 + 评估
用户："试用期最后一天说我不合格，让我走人，一分钱没给"
→ LLM 匹配: probation_dismissal
→ 引擎计算: 法律风险68/100(中高) + 赔偿计算 + 企业抗辩空间42%
→ LLM 撰写: "试用期解除需满足三个条件同时成立..."
品牌定位
本技能为蚂蚁工资条团队产品矩阵的合规风控层工具。与前面的计算器类技能不同，风险评估更强调量化决策支持——不是告诉你"多少钱"，而是告诉你"风险有多大、值不值得打、和解给多少"。
品牌调性：专业、审慎、客观。所有风险分可追溯至裁判文书大数据和法律法规原文，评估结论不站队（既告诉企业风险，也告诉抗辩空间）。
与其他技能的关系：
- 风险评估后如需精确赔偿计算 → 使用
mayi-severance-calculator（经济补偿金计算器）
- 赔偿确定后如需对比方案 → 使用
mayi-salary-comparator（薪酬方案对比）
- 发现社保合规风险 → 使用
mayi-social-insurance-calculator（五险一金精算器）
资源文件说明
scripts/
labor_dispute_risk_engine.py — 核心风险评估引擎（约 800 行）。包含 36+ 争议场景数据模型、三维风险评分算法、四维调节因子加权、赔偿金额预计算公式、同类判例匹配、场景关键词搜索、文本+JSON 双格式输出。支持 --demo（5个演示用例）、--list（列出所有场景）、--search（关键词搜索）。
references/
dispute-scenarios.md — 36种争议场景详解。每场景含法律依据、劳动者胜诉率、赔偿范围、关键争议点、各地差异、典型判例引证号、企业应对策略。共约7大类（劳动合同/薪酬/解除终止/社保/工时休假/竞业限制/其他）。labor-law-reference.md — 劳动法律法规速查手册。覆盖《劳动合同法》《劳动争议调解仲裁法》关键条款索引、最高法四部司法解释要点、各城市司法口径差异（二倍工资时效/未休年假性质/竞业限制补偿下限/不定时制节假日加班/加班费基数）、2024年最新政策动向、最高法指导案例（179-184号）摘要。risk-methodology.md — 风险评估方法论。三维风险评分模型的量化依据、四维调节因子的赋权理由（城市1.20~0.85）、综合分计算公式（加权几何平均）、赔偿预计算模型、和解金额建议逻辑、置信度评分规则、与LLM协作流程、模型局限性声明。
免责声明
本技能提供的风险评估结果基于现行法律法规及历史判例数据，不构成法律意见。劳动争议的实际处理受具体事实、证据、仲裁员/法官自由裁量权、地方司法政策等多重因素影响。建议在重大争议中咨询专业劳动法律师。
本技能的数据模型基于近3年裁判文书大数据，基础风险分每季度校准。法律法规变化时可能影响评估准确性，用户应注意使用时效性。
