遇到劳动纠纷，你是否也面临这样的困境？

翻遍《劳动法》，却找不到能精准对应自身情况的条款。

想咨询律师，又因费用高昂、案情梳理不清而难以获得有效指导。

试图与公司协商，却因不熟悉法律术语，被HR几句“专业说辞”轻易劝退。

上述痛点，正是大模型技术能够发力之处。然而，通用大模型虽强，其知识的静态滞后性与专业领域的“幻觉”问题也尤为突出。

为此，我上周在LLaMA-Factory Online的「实例空间」中，基于单张显卡，本地启动了Qwen3-8B模型服务，并引入RAG（retrieval-augmented generation，检索增强生成）框架，亲手“调教”了一个专攻劳动法的AI法律顾问。

效果如何？我们直接看对比：

当我向原生模型提问：“我上个月离职了，但公司还欠我很多加班费没给，我该怎么办？”
通用模型只会给出标准回复：

而我启用RAG服务后的“法律顾问”是这么回答的：

这种精准、可落地的回应，并非来自庞大规模的预训练，而是源于一套轻量且高效的“模型特训”流程。
在本文中，我将完整展示如何利用有限的单卡算力，从数据处理、RAG系统搭建到服务部署，一步步构建一个真正理解劳动法的专业助手。 无论你是大模型技术爱好者还是寻求技术转型的开发者，相信这篇实践都能为你提供可复用的思路。

操作步骤

配置概览

操作详情

1.在LLaMA-Factory Online上，选择「实例空间」菜单项，进入「实例空间」页面。

2.单击“开始微调”按钮，进入「资源配置」页面，选择GPU资源，卡数填写1，其他参数保持为默认值，单击“启动”按钮，启动实例。

3.实例启动后，可启动VSCode或者JupyterLab专属数据处理，本次实践我们使用VSCode专属数据处理，单击图标链接进入数据处理页面，点击[Terminal/New Terminal]进入终端页面。在终端运行如下所示的命令安装服务运行所需环境。

运行如下命令创建一个名称为“py39”的Python环境。

conda create -n lightllm python=3.10

运行如下所示的命令激活自定义的环境。

conda activate lightllm

运行如下所示的命令，在已经激活的Python环境中安装ipykernel包。

pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple

运行如下所示的命令，将当前Python环境注册为Jupyter内核。

kernel_install --name lightllm  --display-name "Python 3.10 (lightllm)"

💡提示
您需在对应的Conda环境中运行上述注册命令，否则内核（kernel）将无法正确注册。

4.Python环境安装完成后，在终端运行如下所示的命令下载并安装LightLLM框架及其依赖项，例如下图所示。

a.运行如下命令，从GitHub仓库克隆LightLLM项目的源代码到本地。

git clone https://github.com/ModelTC/lightllm.git

b.运行如下所示的命令，进入项目目录。

cd lightllm

c.运行如下所示的命令，安装项目运行所需的所有Python依赖包。

pip install -r requirements.txt

d.运行如下所示的命令，以开发模式安装LightLLM包。

python setup.py install

e.运行如下命令，安装LlamaIndex库，用于构建基于私有数据的检索增强生成（RAG）应用。

pip install llama-index

f.运行如下所示的命令，安装Streamlit库，用于快速创建交互式数据可视化网页应用。

pip install streamlit

g.运行如下命令，安装LightLLM运行所需的计算机视觉处理库和WebSocket通信支持依赖包。

pip install torchvision
pip install websockets
pip install partial-json-parser
pip install interegular

h.运行如下命令，安装LlamaIndex框架对HuggingFace本地嵌入模型的支持包，使RAG应用能够使用BAAI/bge等本地嵌入模型进行文本向量化。

pip install llama-index-embeddings-huggingface

您可运行pip list | grep -E "torchvision|websockets|partial-json-parser|interegular|streamlit|llama-index|llama-index-embeddings-huggingface"命令查看依赖包安装情况，例如下图所示。

5.依赖包安装完成后，运行如下所示命令，启动LightLLM框架的API服务器提供标准的OpenAI兼容接口，支持文本生成、对话等推理功能，模型加载成功后，页面显示例如下图所示，默认端口为8000。

python -m lightllm.server.api_server --model_dir /shared-only/models/Qwen/Qwen3-8B

6.新建Terminal窗口，执行如下代码测试模型推理功能是否正常，服务正常启动页面例如下图所示。

curl -X POST "http://localhost:8000/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen3-8B",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 1000
  }'

7.点击下载，下载后将文件拖拽至/workspace/lightllm目录下，然后运行如下所示命令加载RAG服务，加载成功后页面例如下图所示。

streamlit run app.py \
    --server.address 0.0.0.0 \
    --server.port 6666 \
    --server.enableCORS false \
    --server.enableXsrfProtection false

8.点击服务链接，进入本地RAG文档搜索助手页面，例如下图所示。

服务应用

服务部署完成后，用户可自定义构建知识库，并基于库内信息查询相关问题，快速获取解决方案。

RAG服务回复

单击上方高亮区域的“Browse files”按钮，选择PDF或TXT格式的知识库文件上传，或直接将文件拖拽至该区域，本实践上传[示例1]，[示例2]

待页面出现“✅文档已加载并索引！”即可输入您的问题，例如：“ 我有考勤记录截图和与领导沟通加班的微信记录。劳动合同写的是月薪8000元，但公司一直按基本工资3000元为基数算加班费。我主张最近一年的。”。观察应用回复，例如下图所示，回答详情可展开“Details”查看详情。

💡Details
回答<think>
好的，我现在需要处理用户的查询。用户提到他有考勤记录截图和与领导沟通加班的微信记录，劳动合同写的是月薪8000元，但公司按基本工资3000元计算加班费，他主张最近一年的加班费差额。我需要根据提供的上下文信息来给出建议，不能使用外部知识。
首先，回顾之前的对话历史。用户之前的问题涉及电子签字的补强、加班费计算基数的确定，以及如何应对公司可能的抗辩。现在的情况是用户有考勤记录和微信记录，但公司使用基本工资作为基数，而实际月薪是8000元。需要确定如何主张加班费。
根据上下文中的信息，特别是用户之前的问题，仲裁时通常会以实际工资作为基数，尤其是当合同未明确约定时。用户提到劳动合同写的是月薪8000元，但公司按3000元计算，这可能涉及公司未按实际工资支付加班费的问题。
需要强调用户应明确以实际月工资8000元为基数，因为劳动合同可能未明确工资构成，而银行流水显示实际发放的是8000元。公司如果主张基本工资3000元，用户需要反驳，指出工资条中未明确包含加班费，且实际发放金额为8000元，可能包含其他部分如绩效或补贴，但加班费应基于总收入计算。
另外，用户需要确保考勤记录和微信记录能够证明加班事实和公司安排，同时可能需要准备登录公司系统验证考勤记录的真实性，避免被质疑截图的真实性。微信记录需要明确显示加班日期和任务，以支持加班时长。
最后，仲裁请求应明确要求公司支付差额，并引用相关法律条款，如《劳动法》和《工资支付暂行规定》，强调公司未足额支付加班费的违法性。同时，提醒用户注意公司可能的抗辩，如工资构成，需提前准备反驳证据。
<think>
你的考勤记录截图和微信沟通记录已能形成完整证据链，可明确主张以实际月工资 8000 元为基数计算加班费。具体操作建议如下：
1.明确计算基数：劳动合同虽约定月薪 8000 元，但公司按 3000 元计算加班费，需在仲裁中强调“工资条未列明加班费项目，且银行流水显示实际月工资为 8000 元”，主张以实际收入总额作为加班费计算基数。
2.强化加班事实：考勤记录截图需与微信记录中的加班安排（如具体日期、任务内容）相互印证，证明加班系公司安排而非自愿。若考勤记录为截图，可提前准备公司系统登录方式，当庭演示验证真实性。
3.计算差额金额：根据法定加班费倍数（工作日 1.5 倍、周末 2 倍、法定节假日 3 倍）及实际加班时长，计算应得加班费总额，并与公司已支付部分对比，明确差额金额。
4.应对公司抗辩：若公司主张“3000 元为基本工资”，可反驳称“劳动合同未约定工资构成，且公司未提供薪酬制度证明基本工资与绩效工资的区分，应视为未足额支付加班费”。
5.仲裁请求：明确请求裁决公司支付最近一年加班费差额（具体金额），并引用《劳动法》第四十四条及《工资支付暂行规定》第十三条作为法律依据。

原生模型回复

应用步骤6命令，修改content内容为：“我有考勤记录截图和与领导沟通加班的微信记录。劳动合同写的是月薪8000元，但公司一直按基本工资3000元为基数算加班费。我主张最近一年的。”观察模型回答，例如下图所示，回答详情可展开“Details”查看详情。

curl -X POST "http://localhost:8000/v1/chat/completions" \
      -H "Content-Type: application/json" \
      -d '{
        "model": "Qwen3-8B",
        "messages": [{"role": "user", "content": " 我有考勤记录截图和与领导沟通加班的微信记录。劳动合同写的是月薪8000元，但公司一直按基本工资3000元为基数算加班费。我主张最近一年的。"}],
        "max_tokens": 1000
      }'

💡Details
回答
<think>\n嗯，用户上个月离职了，但公司还欠他很多加班费没给，他不知道该怎么办。首先，我需要了解他可能的情况和需求。他可能已经尝试过和公司沟通，但没有得到解决，所以现在需要法律上的帮助。我应该先确认他的基本情况，比如公司名称、离职时间、加班费的金额，以及是否有相关证据，比如考勤记录、工资单、聊天记录等。这些证据对他后续维权很重要。\n\n接下来，用户可能不了解具体的法律程序，所以需要详细说明步骤。比如是否需要先与公司协商，如果失败再申请劳动仲裁。此外，他可能担心仲裁的费用和时间，需要提醒他劳动仲裁是免费的，而且有时间限制，比如一年内必须申请，所以要尽快处理。\n\n还要考虑用户可能的问题，比如公司不承认加班时间，或者不愿意支付，这时候需要建议他收集证据，比如同事的证词、电子邮件、打卡记录等。另外，如果公司是有限责任公司，可能可以考虑起诉法人代表或股东，但这可能比较复杂，需要专业律师的帮助。\n\n用户可能还担心自己的权益是否能被保障，特别是如果公司不配合的话。这时候需要强调法律的强制力，以及劳动仲裁的结果是终局性的，可以申请法院强制执行。另外，提醒他注意保留所有沟通记录，避免证据丢失。\n\n最后，要给出一个清晰的步骤指南，从收集证据到协商，再到仲裁或诉讼，确保用户知道每一步该怎么做，并且鼓励他不要放弃，及时行动。可能还需要提醒他不要采取过激行为，以免影响维权。\n<think>\n\n如果你因为公司拖欠加班费而离职，但公司仍未支付欠薪，你有合法权利维护自己的权益。以下是具体的解决步骤和建议：\n\n—\n\n### 一、确认你的权益\n根据《劳动法》《劳动合同法》和《工资支付暂行规定》，劳动者因工作时间、加班工资、经济补偿等与用人单位发生争议的，可依法维权。公司拖欠加班费属于违法行为。\n\n—\n\n### 二、收集证据\n这是关键，确保你的诉求有据可依：\n1. 劳动合同：确认加班费的约定（是否有明确的加班工资标准）。\n2. 考勤记录：如打卡记录、工时统计表、电子考勤系统截图等。\n3. 工资单/银行流水：证明你的基本工资和实际发放情况（若已发部分工资，需区分正常工资与加班费）。\n4. 加班证据：\n - 工作群/邮件等电子记录（如提到加班、加班时长或工作内容）；\n - 同事或主管的证人证言（可书面或录音）；\n - 公司安排加班的通知、排班表等。\n5. 离职证明或通知书：证明你已离职。\n6. 沟通记录：与公司协商欠薪的聊天记录、通话记录等。\n\n—\n\n### 三、第一步：协商\n先尝试与公司协商解决：\n1. 书面沟通：通过微信、邮件或挂号信等方式要求公司支付欠薪，并保留证据。\n2. 报警处理：若公司拒不支付，可向当地公安机关报案，但需注意：除非情节严重（如恶意拖欠导致生活困难），否则警方可能不予受理。\n\n—\n\n### 四、第二步：申请劳动仲裁\n如协商无果，需在离职后一年内（注意时效）向劳动仲裁委员会申请仲裁：\n1. 准备材料：\n - 仲裁申请书（注明申请人、被申请人、仲裁请求、事实与理由）；\n - 身份证复印件；\n - 证据清单及复印件（如劳动合同、考勤记录等）；\n - 如果公司未签劳动合同，需保留相关证据（如社保缴纳记录、工资支付凭证等）。\n2. 提交仲裁：向公司所在地或劳动合同履行地的劳动仲裁委员会提交材料。 \n3. 仲裁流程：一般30-60天内出结果，劳动仲裁是维权的前置程序，如不服可向法院起诉。\n\n—\n\n### 五、仲裁后的处理\n1. 仲裁裁决：若仲裁支持你的诉求，公司需在指定时间内支付欠薪；若公司拒不履行，可向法院申请强制执行。\n2. 起诉：若仲裁结果不满意，可在15日内向法院提起诉讼，诉讼时效为2年。\n3. 法院强制执行：若公司仍不支付，可申请法院强制执行工资，法院可冻结公司账户、查封财产等。\n\n—\n\n### 六、特殊注意事项\

多维度对比两类服务的回复，对比详情如下所示。

原生模型回复偏重知识普及，无法提供具体的指导。RAG服务回复更具实战性、对抗性和可操作性，适合作为智能法律助手的输出标准，把用户当作即将出庭的申请人，给予战斗性、可执行的诉讼策略指导。

本次基于LightLLM+RAG架构的法律顾问系统实践，成功验证了"轻量验证-迭代优化-部署落地"路径在专业领域的可行性。该方案有效解决了大模型知识滞后与幻觉问题，展现出向金融、医疗等高合规行业快速复制的能力。从技术架构视角看，其核心价值在于以最小成本完成验证、支持平滑演进的技术栈设计，并具备企业级部署所需的稳定性和扩展性。

基于在大模型微调领域的深耕经验，我认为下一阶段应重点突破多模态业务文档理解、跨领域任务编排机制和企业级安全可控体系。最终目标是推动RAG技术从工具级应用向平台级能力演进，通过与企业核心业务深度融合，打造可信、可解释、可扩展的AI解决方案，期待与业界同行进一步交流探讨。

PS.如何学习AI大模型？

作为一名深耕大模型微调领域多年的技术架构师，我深知“纸上得来终觉浅”。在见证了上百个微调项目的成功与失败后，我深刻认识到，拥有一个清晰的学习路径和经过验证的实战资源是多么关键。

为此，我特意整理了全套《大模型微调实战进阶宝典》，这份资料凝聚了我多年的实战经验，其中包含：
●《大模型微调实战避坑指南》：精选20+真实项目经验，解析训练发散、灾难性遗忘等高频难题
●《十大前沿行业微调白皮书》：汇集金融、医疗、汽车、法律、保险等众多领域大模型先锋案例
●《开箱即用微调数据集精选》：涵盖指令微调、对话、专业领域问答与代码生成等多个实战场景

愿你能用它，快速撬动大模型在你业务中的巨大价值！