mayi-labor-dispute-risk

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：

1. 月平均工资（税前）
2. 工作年限
3. 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：

1. risk_scores — 法律/经济/声誉三维风险分 + 综合分 + 等级
2. adjustments — 城市/行业/公司类型/岗位四维调节因子
3. compensation — 预估赔偿合计/各项明细/和解金额建议
4. legal_info — 法律依据/证据清单/抗辩策略/仲裁时效
5. similar_cases — 同类判例参考
6. 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：

1. 风险等级可视化（⚠️🔴🟡🟢）
2. 三维风险分解
3. 赔偿预计算明细
4. 同类判例
5. 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

# 评估违法解除风险
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。