Tutorial Qwen4-Max: Bangun Analisis Pemberitahuan Hukum
Bangun analis pemberitahuan hukum AS dengan Qwen4-Max, Qwen-Agent, dan Olostep. Tandai penipuan, baca foto dan PDF, serta verifikasi klaim terhadap sumber resmi.
Pernahkah Anda menerima pemberitahuan dari pemerintah dan bertanya-tanya apakah itu sah, apakah Anda perlu merespons, atau apakah seseorang mencoba menipu Anda?
Pemberitahuan hukum sulit dibaca, terutama saat bahasa yang rumit bercampur dengan permintaan pembayaran dan tenggat. Penipu memanfaatkan kebingungan itu dengan menyamar sebagai lembaga pemerintah dan menciptakan rasa urgensi palsu.
Dalam tutorial ini, kita akan membangun analis pemberitahuan hukum AS menggunakan Qwen4-Max dan kerangka kerja Qwen-Agent. Aplikasi ini menerima teks, gambar, dan PDF, menandai taktik pembayaran yang mencurigakan, serta mencari sumber hukum resmi saat perlu memverifikasi sesuatu.
Alih-alih sepenuhnya mengandalkan large language model (LLM), kita akan memasangkannya dengan dua alat Python. Yang pertama menggunakan regular expression untuk menangkap indikator penipuan umum. Yang kedua menggunakan Olostep untuk mencari di situs web pemerintah resmi dan Cornell Legal Information Institute (LII).
Intinya
Kita membangun analis pemberitahuan hukum dengan Qwen4-Max, Qwen-Agent, dan Olostep yang menerima teks, foto, dan PDF.
Gerbang risiko berbasis regex menandai pola penipuan dan domain mirip (lookalike) sebelum model melakukan riset apa pun.
Alat riset membatasi pencarian ke situs .gov dan Cornell LII, dan agen melewati riset saat pemberitahuan jelas-jelas palsu.
Dalam pengujian saya, Qwen4-Max membaca pemberitahuan yang difoto dengan baik, tetapi lambat untuk tugas sederhana dan pencarian web bawaannya tidak andal.
Apa itu Qwen4-Max?
Qwen4-Max adalah model andalan Alibaba dalam keluarga Qwen4, diluncurkan pada 16 November 2026. Ini adalah model sparse mixture-of-experts (MoE) dengan peningkatan arsitektur, kemampuan visi native, dan jendela konteks lebih besar, dirancang untuk penalaran kompleks dan aplikasi agentic.
Berikut fitur yang paling relevan untuk proyek kita:
Arsitektur Sparse MoE: Qwen4-Max memiliki 2,4T parameter backbone, 71B aktif per token, dan tambahan 328B parameter embedding N-gram. Lapisan Gated DeltaNet dan Qwen Sparse Attention menekan biaya konteks panjang.
Visi native: Model membaca gambar secara langsung, sehingga kita dapat mengirim foto pemberitahuan hukum tanpa membangun pipeline optical character recognition (OCR) terpisah.
Jendela konteks 1M token: Cukup besar untuk dokumen panjang dan banyak informasi pendukung.
Efisiensi token yang lebih baik: Menurut Alibaba, Qwen4-Max menggunakan sekitar 35% lebih sedikit token daripada Qwen3.8-Max pada Work360 di upaya penalaran High, dan sekitar 49% lebih sedikit pada Terminal-Bench 4.0. Pada upaya Xhigh, pengurangan sekitar 24% dan 48%.
Biaya tugas lebih rendah: Pada Work360, Qwen4-Max mencetak 52,69, naik dari 47,74 untuk Qwen3.8-Max, sementara biaya rata-rata per tugas turun dari $4,43 menjadi $1,67, pengurangan 62%.
Berikut hasil benchmark dari pengumuman Alibaba, yang menunjukkan Qwen4-Max meningkat atas Qwen3.8-Max di hampir setiap kemampuan yang dievaluasi Alibaba:
Analis ini adalah satu asisten Qwen-Agent yang mengoordinasikan dua alat Python, sementara Qwen4-Max menangani pemahaman dokumen dan penalaran. Sebelum menulis kode, mari lihat alurnya.
Gambar 2: Alur kerja analis pemberitahuan hukum.
Alur kerja memiliki 6 langkah:
Pengguna mengirim pemberitahuan sebagai teks, gambar, atau PDF.
Qwen4-Max membaca dokumen dan mengidentifikasi isinya yang utama.
Agen memanggil risk_gate untuk memeriksa instruksi pembayaran mencurigakan, ancaman, dan tautan.
Jika dokumen jelas palsu, agen melewati riset eksternal.
Jika tidak, agen memanggil lookup_law untuk mencari sumber hukum resmi.
Qwen4-Max menghasilkan respons terstruktur dengan putusan, ringkasan, bukti, dan langkah lanjutan yang disarankan.
Pilihan desain kunci adalah LLM tidak melakukan semuanya. Python menangani pemeriksaan deterministik, Olostep menangani riset eksternal, dan Qwen4-Max menangani pemahaman dokumen serta penalaran.
Itu membuat alur kerja tetap sederhana sekaligus memberi agen alat untuk setiap tugas. Jika terminologi agen baru bagi Anda, kursus Introduction to AI Agents kami membahas dasar-dasarnya tanpa perlu coding.
1. Menyiapkan Lingkungan
Kita akan menggunakan Jupyter Notebook, QwenCloud untuk akses model, dan Olostep untuk pencarian web dan scraping.
Pertama, buat akun di QwenCloud, tambahkan kredit atau berlangganan Token Plan, dan buat kunci API dari dasbor. QwenCloud menyediakan endpoint API berdasarkan wilayah yang Anda pilih.
Setel variabel lingkungan Anda di terminal sebelum meluncurkan Jupyter Notebook. Anda juga dapat menyetelnya di dalam notebook dengan os.environ.
exportQWEN_API_KEY="your-qwen-api-key"exportQWEN_BASE_URL="https://token-plan.maas.qwencloudapi.com/compatible-mode/v1"exportOLOSTEP_API_KEY="your-olostep-api-key"Didukung oleh
Saya menggunakan endpoint Token Plan, yang memberi saya akses model dengan harga diskon. Jika Anda membayar sesuai pemakaian, gunakan endpoint yang ditampilkan QwenCloud untuk wilayah Anda.
Selanjutnya, instal dependensi yang diperlukan di notebook Anda:
%pip install -q "qwen-agent[rag]" olostep soundfile tqdmDidukung oleh
Ekstra rag menambahkan paket pemrosesan dokumen seperti pdfplumber, yang akan kita gunakan untuk membaca PDF. Per versi 0.0.34, Qwen-Agent juga mengimpor soundfile dan tqdm saat startup tanpa mendeklarasikannya sebagai dependensi, jadi kita instal keduanya secara eksplisit.
Konfigurasi Qwen4-Max
Berikutnya, kita inisialisasi model dan klien Olostep. Saya menggunakan wilayah Singapura, yang juga menawarkan Token Plan.
import logging
import os
import re
import warnings
# The Olostep SDK reads this at import time, so set it first
os.environ.setdefault("OLOSTEP_API_TIMEOUT","40")from olostep import Olostep
from qwen_agent.agents import Assistant
from qwen_agent.llm.schema import Message
from qwen_agent.tools.base import BaseTool
from qwen_agent.utils.utils import extract_text_from_message
warnings.filterwarnings("ignore")
logging.getLogger("qwen_agent_logger").setLevel(logging.ERROR)
MODEL = os.getenv("QWEN_MODEL","qwen4-max")
LLM ={"model": MODEL,"model_type":"qwenvl_oai","model_server": os.environ["QWEN_BASE_URL"],"api_key": os.environ["QWEN_API_KEY"],"generate_cfg":{"max_tokens":3000,"extra_body":{"reasoning_effort":"low"},},}
olostep = Olostep(api_key=os.environ["OLOSTEP_API_KEY"])Didukung oleh
Ini mengonfigurasi Qwen4-Max untuk input multimodal, menyetel tingkat upaya penalaran, dan menginisialisasi klien riset. Perhatikan bahwa OLOSTEP_API_TIMEOUT disetel sebelum impor, karena SDK membacanya saat dimuat.
Beberapa opsi konfigurasi penting untuk dipahami:
model menentukan model yang ingin kita gunakan.
model_type memungkinkan kita mengirim gambar melalui antarmuka multimodal yang kompatibel dengan OpenAI.
model_server menunjuk ke endpoint dari QWEN_BASE_URL.
max_tokens membatasi panjang respons yang dihasilkan.
reasoning_effort mengontrol seberapa banyak penalaran yang dilakukan model. Kita gunakan low agar respons cepat.
OLOSTEP_API_TIMEOUT menyetel batas waktu, dalam detik, pada permintaan riset.
Membuat helper agen yang dapat digunakan ulang
Kita akan memproses input teks dan gambar, jadi mari buat fungsi yang dapat digunakan ulang untuk menjalankan agen.
defrun_agent(agent, prompt, images=None):
content =[{"text": prompt}]+[{"image": image}for image in(images or[])]
final = agent.run_nonstream([{"role":"user","content": content}])return extract_text_from_message(
Message.model_validate(final[-1]),
add_upload_info=False,)Didukung oleh
Fungsi ini mengirim prompt dan gambar opsional ke Qwen-Agent, menunggu respons akhir, dan mengekstrak teks yang dihasilkan.
Kita juga perlu helper untuk membaca PDF.
defread_pdf(path):import pdfplumber
with pdfplumber.open(path)as pdf:return"\n".join(
page.extract_text()or""for page in pdf.pages
)Didukung oleh
Fungsi ini mengekstrak teks yang dapat dipilih dari setiap halaman PDF dan menggabungkannya menjadi satu string.
Catatan: pdfplumber tidak melakukan OCR. Untuk PDF hasil scan yang hanya berisi gambar, render setiap halaman sebagai gambar dan kirim langsung ke Qwen4-Max.
2. Membangun Deteksi Penipuan dengan Risk Gate
Alat kustom pertama mengidentifikasi perilaku mencurigakan. Alih-alih meminta LLM mengenali setiap instruksi pembayaran mencurigakan, kita dapat menggunakan regular expression untuk mendeteksi taktik penipuan yang dikenal.
Ini lebih cepat, deterministik, dan tidak menggunakan token model. Jika Anda ingin penyegar tentang sintaksnya, kursus Regular Expressions in Python kami membahasnya.
Mendefinisikan aturan deteksi penipuan
Mulai dengan daftar regular expression dan pemetaan antara lembaga pemerintah dan domain resminya.
RULES =[("gift cards",r"\b(gift\s*cards?|itunes|google play|amazon card)\b"),("crypto",r"\b(bitcoin|btc|usdt|crypto\w*|coinbase|binance)\b"),("wire transfer",r"\b(wire transfer|western union|moneygram)\b"),("payment app",r"\b(zelle|venmo|cash app|paypal)\b"),("arrest threat",r"\b(arrest|warrant|deport\w*)\b"),("extreme urgency",r"\b(within 24 hours|final notice|last chance)\b"),("secrecy",r"\b(do not (tell|discuss|contact)|keep this confidential)\b"),("card numbers by phone",r"\bcard numbers?\b"),("qr or crypto atm",r"\b(qr code|bitcoin atm|crypto atm)\b"),]
OFFICIAL ={"irs":"irs.gov","internal revenue":"irs.gov","ftc":"ftc.gov","cfpb":"consumerfinance.gov","social security":"ssa.gov","uscis":"uscis.gov","justice":"justice.gov","hud":"hud.gov","uscourts":"uscourts.gov",}
URL_RX = re.compile(r"https?://[^\s)\"'<>]+")Didukung oleh
Kode ini menentukan indikator penipuan dan memetakan nama lembaga ke domain yang benar-benar digunakan lembaga tersebut. Misalnya, jika pemberitahuan menyebut IRS, aplikasi memeriksa tautannya terhadap irs.gov.
Mengekstrak dan memvalidasi domain
Selanjutnya, kita perlu helper yang mengekstrak hostname dari URL.
from urllib.parse import urlparse
defhost_of(url):return(urlparse(url).hostname or"").lower().rstrip(".")defis_official_domain(host, domain):return host == domain or host.endswith("."+ domain)Didukung oleh
Ini mengekstrak hostname dan memeriksa apakah itu domain resmi atau subdomain yang sah. Pembedaan ini penting: pemeriksaan endswith() dasar akan menerima fakeirs.gov sebagai situs IRS.
Mengimplementasikan alat risk gate
Sekarang kita dapat menggabungkan aturan ini ke dalam alat kustom Qwen-Agent.
classRiskGate(BaseTool):
name ="risk_gate"
description =("Scan a notice for payment tactics, threats, urgency, ""secrecy, and suspicious agency links. ""Call once before any other tool.")
parameters ={"type":"object","properties":{"text":{"type":"string","description":("The full notice text, including links ""and payment instructions."),}},"required":["text"],}defcall(self, params,**kwargs):
text = self._verify_json_format_args(params)["text"]
low = text.lower()
flags =[f"scam indicator: {label}"for label, pattern in RULES
if re.search(pattern, low)]
agency =next((
domain
for word, domain in OFFICIAL.items()if re.search(rf"\b{re.escape(word)}\b", low)),None,)if agency:
hosts ={
host_of(url)for url in URL_RX.findall(text)}
flags +=[f"lookalike domain: {host} is not {agency}"for host insorted(hosts)if host andnot is_official_domain(host, agency)]return"\n".join(flags)or"no flags"Didukung oleh
Alat ini memindai pemberitahuan untuk pola yang cocok, memeriksa URL terhadap domain resmi lembaga, dan mengembalikan indikator mencurigakan. Nama lembaga dicocokkan sebagai kata utuh, sehingga "irs" tidak memicu pada kata seperti "first".
Misalnya, pemberitahuan IRS fiksi dari Uji 1 menghasilkan:
scam indicator: gift cards
scam indicator: wire transfer
scam indicator: arrest threat
scam indicator: extreme urgency
scam indicator: secrecy
scam indicator: card numbers by phone
lookalike domain: irs-gov-payments.top is not irs.govDidukung oleh
Agen menerima hasil ini sebagai bagian dari konteksnya dan menggunakannya saat memutuskan apakah pemberitahuan tersebut mencurigakan.
3. Membuat Alat Riset Hukum
Alat kedua kita menangani riset eksternal. Kita tidak ingin agen menelusuri situs acak, forum diskusi, atau blog firma hukum lalu memperlakukan semuanya sebagai otoritatif.
Sebagai gantinya, kita membatasi riset ke situs web resmi pemerintah AS dan Cornell LII. Kita akan menggunakan Olostep karena dapat mencari dan melakukan scraping beberapa hasil dalam satu permintaan. Jika Anda ingin membandingkannya dengan opsi lain, lihat tutorial Firecrawl kami.
Mendefinisikan pembatasan riset
Pertama, mari definisikan sumber yang diizinkan dan beberapa batasan pada berapa banyak yang kita ambil.
defis_allowed_host(host):return host.endswith(".gov")or is_official_domain(
host,"law.cornell.edu")
MAX_PAGES =2
PAGE_CHARS =3000Didukung oleh
Fungsi is_allowed_host() menerima situs .gov dan Cornell LII. Fungsi ini menggunakan kembali is_official_domain(), sehingga domain mirip seperti fakelaw.cornell.edu ditolak. Kita juga menyimpan maksimal 2 halaman, dengan maksimum 3.000 karakter per halaman.
Mengimplementasikan alat LookupLaw
Sekarang mari buat alat kustom kedua.
classLookupLaw(BaseTool):
name ="lookup_law"
description =("Search for official US legal guidance using ""government websites and Cornell LII. ""Return the most relevant page excerpts.")
parameters ={"type":"object","properties":{"query":{"type":"string","description":"One plain-English legal question.",},"domain":{"type":"string","description":"Optional domain, such as irs.gov.",},},"required":["query"],}def__init__(self):super().__init__()
self.sources =[]defcall(self, params,**kwargs):
args = self._verify_json_format_args(params)
found = olostep.searches.create(
args["query"][:200],
limit=5,
include_domains=([args["domain"]]if args.get("domain")elseNone),
scrape_options={"formats":["markdown"],"timeout":20,},)
pages =[]for link in found.links:
host = host_of(link["url"])ifnot is_allowed_host(host):continue
body =(
link.get("markdown_content")or link.get("description")or"")[:PAGE_CHARS]if body:
self.sources.append(link["url"])
pages.append(f"### {link['url']}\n{body}")iflen(pages)== MAX_PAGES:breakreturn"\n\n".join(pages)or("No official page found. Results outside "".gov and Cornell LII are treated as unreliable. ""Try a shorter query with the statute or agency name.")Didukung oleh
Alat ini mengirim permintaan pencarian ke Olostep, memfilter hasil, mengekstrak konten halaman, dan mengembalikan kutipan yang dipilih ke Qwen4-Max.
Tiga detail implementasi yang perlu dicatat:
Kita mengambil hingga 5 hasil pencarian tetapi menyimpan maksimal 2 halaman yang memenuhi syarat.
Kita memprioritaskan Markdown hasil scraping dan menggunakan deskripsi halaman sebagai opsi cadangan.
Kita menyimpan URL yang diambil di self.sources sehingga aplikasi dapat menampilkannya setelah analisis.
4. Membangun Agen dengan Qwen-Agent dan Qwen4-Max
Kini kita memiliki kedua alat kustom: risk_gate mengidentifikasi perilaku mencurigakan, dan lookup_law mengambil informasi hukum yang relevan. Selanjutnya, kita buat agen yang mengoordinasikan keduanya.
Satu sistem prompt mendefinisikan alur kerja, urutan alat, dan format respons. Qwen-Agent bukan satu-satunya opsi untuk build seperti ini, dan kursus Developing LLM Applications with LangChain kami membahas kerangka kerja lain.
Mendefinisikan sistem prompt
SYSTEM ="""You explain a US legal or government notice
to the person who received it, in plain English.
You are not a lawyer.
How to work:
- Read the notice, text or images. Report only what
the document actually says.
- Call risk_gate once with the notice text before
using any other tool.
- Treat risk_gate flags as evidence, not proof.
Flags can make a notice suspicious but cannot
establish that it is legitimate.
- If the notice is plainly fraudulent, say so and
skip research.
- Otherwise, call lookup_law with one plain question
about the main legal issue.
- Call lookup_law a second time only if the first
call returns no official page.
- Never invent a law, citation, phone number, amount,
or deadline.
- Report deadlines using the document's own words.
Separate a stated deadline from whether it is credible.
- If a returned page does not verify a claim,
explicitly say it could not be verified.
- Never suggest ignoring a legal notice.
- Separate what the document establishes from
what is assumed.
- Keep each section under 80 words.
- Use plain English, short sentences, and bullets.
- Avoid em dashes and contractions.
Begin with this verdict block:
**Scam:** yes, probably, or no
(confidence: low, medium, or high).
**Time sensitive:** yes or no, followed by the
exact deadline in the document, or "no deadline stated".
**Demand:** the amount and what the document asks
for, or "nothing is demanded".
Then write these sections in order:
### Summary
Explain what the document is and what happens
if nothing is done. Use 3 or 4 sentences.
### Evidence
Include one bullet per important finding.
Quote the document or the official page where
possible. Include risk_gate flags.
If the scan returned no flags, explicitly say so.
No flags is not proof that a notice is legitimate.
### Next steps
Give numbered actions in the order they should
be taken.
If the notice threatens eviction, foreclosure,
a lawsuit, arrest, or deportation, the first action
must be to contact a qualified attorney or legal aid.
Explain that waiting creates a risk.
Never confuse a document's claimed deadline with
a verified legal deadline.
Do not include a sources section or legal disclaimer.
The application appends both."""Didukung oleh
Prompt ini mendefinisikan tanggung jawab agen dan mencegahnya mengarang informasi hukum. Satu instruksi yang layak diperhatikan: tenggat waktu.
Pemberitahuan palsu tetap bisa memuat tenggat, sehingga agen harus melaporkan apa yang diklaim dokumen sambil menjelaskan apakah tenggat tersebut kredibel.
Menambahkan disclaimer dan penanganan sumber
Kita menyimpan disclaimer di luar sistem prompt agar Python dapat menambahkannya secara konsisten.
NO_SOURCE =("No official page was retrieved for this notice, ""so treat any legal statement above as unverified.")
DISCLAIMER =("\n---\n""**Not legal advice.** Verify deadlines and citations ""with the issuing authority, using contact details ""you find independently, not those printed in the notice.")Didukung oleh
Ini memberi kita pesan cadangan saat riset hukum tidak mengembalikan sumber resmi, dan setiap respons menyertakan disclaimer hukum.
Membuat fungsi analisis utama
Terakhir, mari hubungkan semuanya dalam satu fungsi yang dapat digunakan ulang.
defanalyze_notice(text=None, images=None):
research = LookupLaw()
agent = Assistant(
llm=LLM,
system_message=SYSTEM,
function_list=[
RiskGate(),
research,],)
prompt =(f"Notice text:\n\n{text}"if text
else"The notice is attached as image files.")
answer = run_agent(agent, prompt, images)
sources ="\n".join(f"- {url}"for url in research.sources
)return(f"{answer}\n\n"f"## Sources\n\n"f"{sources or NO_SOURCE}\n"f"{DISCLAIMER}")Didukung oleh
Fungsi ini membuat agen baru untuk setiap dokumen, menjalankan analisis, mengumpulkan sumber yang diambil, dan mengembalikan respons akhir. Kita membuat LookupLaw() di dalam fungsi agar setiap pemberitahuan memiliki daftar sumbernya sendiri.
5. Menguji Analis Pemberitahuan Hukum
Kita sekarang memiliki analis pemberitahuan hukum yang berfungsi. Mari uji pada 3 dokumen sampel:
Surat penipuan IRS fiksi.
Foto pemberitahuan penggusuran Florida.
PDF surat peringatan (cease and desist).
Setiap uji mencoba bagian alur kerja yang berbeda.
Uji 1: Surat penipuan IRS
Contoh pertama adalah surat penipuan IRS fiksi. Surat ini mengklaim penerima berutang $4.870 dalam pajak penghasilan federal dan harus membayar dalam 24 jam.
Surat ini juga mengancam penangkapan, menuntut pembayaran dengan gift card atau wire transfer, dan menyertakan situs web mencurigakan. Berikut input contohnya:
from IPython.display import Markdown
FICTIONAL_NOTICE ="""
INTERNAL REVENUE SERVICE
NOTICE OF FINAL DEMAND
Date of Notice: November 10, 2026
Our records show an outstanding balance of
$4,870.00 in federal income tax for tax year 2024.
You must resolve this balance within 24 hours.
Failure to comply will result in a warrant for your
arrest and your wages being garnished.
Do not discuss this notice with anyone.
Pay using Apple or Google Play gift cards and
provide the card numbers over the phone, or by
wire transfer through:
https://irs-gov-payments.top/pay?ref=MW4471
""".strip()
Markdown(analyze_notice(text=FICTIONAL_NOTICE))Didukung oleh
Ini membuat pemberitahuan fiksi dan mengirimkannya ke agen untuk dianalisis.
Keluaran:
Gambar 3: Keluaran analis untuk surat penipuan IRS fiksi.
Pemindai menemukan beberapa indikator mencurigakan, dan agen melewati riset hukum eksternal. Itulah yang kita inginkan untuk penipuan yang jelas: aplikasi tidak menghabiskan token ekstra untuk riset saat pemeriksaan deterministik sudah menunjukkan penipuan.
Apa yang ditunjukkan uji ini: Risk gate dapat mengidentifikasi taktik penipuan umum dan membantu agen menghindari riset eksternal yang tidak perlu.
Uji 2: Foto pemberitahuan penggusuran
Uji kedua berfokus pada visi native Qwen4-Max. Alih-alih mengekstrak teks sendiri, kita mengirim foto pemberitahuan penggusuran langsung ke model.
Sampel kita adalah pemberitahuan tiga hari di Florida yang menuntut $1.850 untuk sewa yang belum dibayar, atau pengosongan properti pada 23 November 2026. Berikut kodenya:
Markdown(
analyze_notice(
images=["samples/eviction.png"]))Didukung oleh
Ini mengirim foto langsung ke Qwen4-Max, sehingga tidak diperlukan pipeline OCR terpisah. Untuk build lain yang menggabungkan visi Qwen dengan pemanggilan alat, lihat tutorial API Qwen 3.6 Plus kami tentang pemrosesan faktur.
Keluaran:
Gambar 4: Keluaran analis untuk pemberitahuan penggusuran yang difoto.
Model memahami foto tersebut, mengekstrak jumlah dan tenggat, dan mengidentifikasi jenis pemberitahuan. Model mengakui bahwa halaman hukum yang diambil tidak memuat cukup informasi untuk memverifikasi undang-undang, serta menemukan kolom tanda tangan dan pengiriman kosong pada dokumen sampel.
Apa yang ditunjukkan uji ini: Qwen4-Max dapat menafsirkan dokumen hukum yang difoto secara langsung, sementara Qwen-Agent mengoordinasikan riset tambahan dan mengomunikasikan ketidakpastian.
Uji 3: PDF surat peringatan (cease and desist)
Untuk uji terakhir, kita menggunakan surat peringatan dua halaman dalam format PDF.
Dokumen mengutip 17 U.S.C. §§ 501 dan 512, menuduh pelanggaran hak cipta, serta meminta penerima menghapus konten yang disengketakan dan mengonfirmasi kepatuhan pada 28 November 2026. PDF berisi teks yang dapat dipilih, jadi kita bisa menggunakan helper read_pdf(). Berikut kodenya:
pdf_text = read_pdf("samples/legal.pdf")
Markdown(
analyze_notice(text=pdf_text))Didukung oleh
Ini mengekstrak isi PDF dan mengirim teks hasilnya ke agen yang sama.
Keluaran:
Gambar 5: Keluaran analis untuk surat peringatan.
Agen dengan benar membedakan tuntutan hukum privat dari pemberitahuan resmi pemerintah atau pengadilan. Agen mengenali bahwa tidak ada uang yang diminta dan menyesuaikan rekomendasinya. Alat riset mengambil halaman yang relevan dari US Copyright Office, yang muncul di bagian sumber akhir.
Apa yang ditunjukkan uji ini: Agen yang sama dapat menangani korespondensi PDF, mengidentifikasi sifat tuntutan hukum, dan merekomendasikan langkah selanjutnya yang sesuai.
Pengalaman Saya dengan Qwen4-Max: Kelebihan, Kekurangan, dan Kekurangannya
Setelah menggunakan Qwen4-Max untuk proyek ini, aplikasi agentic lainnya, dan vibe coding, berikut penilaian jujur saya.
Kelebihan
Ekosistem Qwen mencakup banyak hal. Termasuk speech-to-text, text-to-speech, pencarian web, web scraping, dan toolkit open-source untuk membangun aplikasi agentic tanpa harus mengimplementasikan semuanya dari nol.
Yang paling saya sukai adalah kepatuhan Qwen4-Max terhadap instruksi terperinci. Secara umum model menghormati struktur keluaran yang diminta, mengekstrak tanggal dari dokumen, dan menghasilkan ringkasan yang akurat selama pengujian saya.
Kemampuan memahami gambar menonjol. Saya memberi foto pemberitahuan hukum dan model membacanya tanpa pipeline OCR tambahan, yang sangat membantu untuk aplikasi agentic yang sarat dokumen.
Kekurangan
Kecepatan adalah masalah terbesar bagi saya. Qwen4-Max bukan model pilihan saya untuk vibe coding: dibandingkan DeepSeek V4.1 Flash dan model lain yang saya uji, sering kali butuh waktu lebih lama untuk menyelesaikan tugas sederhana.
Saya sering melihat kecepatan generasi sekitar 100 token per detik, tetapi angka itu menutupi biaya sebenarnya. Model menghabiskan waktu lama untuk menalar perubahan yang lugas, dan terkadang saya meminta suntingan sederhana namun menunggu jauh lebih lama dari perkiraan.
Pencarian web bawaan adalah bagian yang paling membuat frustrasi. Dalam pengujian saya, waktu respons tidak konsisten: kueri yang sama bisa kembali dalam hitungan detik atau hampir satu menit, dan beberapa permintaan berjalan lebih dari 400 detik tanpa selesai.
Tiga kali menjalankan alur riset saya memakan waktu hampir 16 menit. Itu tidak cukup andal untuk aplikasi yang bergantung pada informasi hukum eksternal.
Mengganti pencarian bawaan dengan Olostep menjadi keharusan, yang juga berarti saya tidak bisa sepenuhnya bergantung pada ekosistem Qwen, seperti rencana awal saya.
Saya mengalami masalah lain saat bereksperimen dengan DeepSeek Harness. Saya menanyakan pertanyaan sederhana tentang riset pasar saham, dan alur kerja menghabiskan waktu lama sebelum mengembalikan error. Itu membuat frustrasi untuk tugas yang begitu sederhana.
Secara keseluruhan, Qwen4-Max memiliki kemampuan yang mengesankan, tetapi beban penalaran dan pencarian bawaan yang tidak konsisten patut dipertimbangkan sebelum Anda membangun alur kerja produksi di sekitarnya. Jika Anda ingin terus membangun dengan model Qwen, tutorial API Qwen 3.7 Max kami membahas agen produktivitas yang melakukan self-review.
Sebagai data scientist tersertifikasi, saya bersemangat memanfaatkan teknologi mutakhir untuk menciptakan aplikasi machine learning yang inovatif. Dengan latar belakang kuat di pengenalan ucapan, analisis dan pelaporan data, MLOps, conversational AI, dan NLP, saya mengasah keterampilan dalam mengembangkan sistem cerdas yang berdampak nyata. Selain keahlian teknis, saya juga komunikator andal yang mampu menyederhanakan konsep kompleks menjadi bahasa yang jelas dan ringkas. Karena itu, saya menjadi blogger yang dicari di bidang data science, membagikan wawasan dan pengalaman kepada komunitas profesional data yang terus berkembang. Saat ini, saya berfokus pada pembuatan dan penyuntingan konten, bekerja dengan large language model untuk mengembangkan konten yang kuat dan menarik agar membantu bisnis dan individu memaksimalkan data mereka.
Kuasai pertanyaan wawancara basis data, dari konsep SQL dasar hingga skenario desain sistem tingkat lanjut. Panduan mendalam ini mencakup semua yang Anda perlukan untuk sukses di wawancara DBMS dan meraih peran berikutnya.
Temukan alasan mengapa Anda sebaiknya (tidak) menggunakan spaghetti plot untuk menyampaikan ketidakpastian jalur prediksi badai serta dampaknya terhadap interpretasi.
Pelajari cara menggunakan AI sebagai mitra engineering senior untuk analisis kode, optimasi performa, keamanan, dan keputusan arsitektur perangkat lunak.
Pernahkah Anda menerima pemberitahuan dari pemerintah dan bertanya-tanya apakah itu sah, apakah Anda perlu merespons, atau apakah seseorang mencoba menipu Anda?
Pemberitahuan hukum sulit dibaca, terutama saat bahasa yang rumit bercampur dengan permintaan pembayaran dan tenggat. Penipu memanfaatkan kebingungan itu dengan menyamar sebagai lembaga pemerintah dan menciptakan rasa urgensi palsu.
Dalam tutorial ini, kita akan membangun analis pemberitahuan hukum AS menggunakan Qwen4-Max dan kerangka kerja Qwen-Agent. Aplikasi ini menerima teks, gambar, dan PDF, menandai taktik pembayaran yang mencurigakan, serta mencari sumber hukum resmi saat perlu memverifikasi sesuatu.
Alih-alih sepenuhnya mengandalkan large language model (LLM), kita akan memasangkannya dengan dua alat Python. Yang pertama menggunakan regular expression untuk menangkap indikator penipuan umum. Yang kedua menggunakan Olostep untuk mencari di situs web pemerintah resmi dan Cornell Legal Information Institute (LII).
Intinya
Apa itu Qwen4-Max?
Qwen4-Max adalah model andalan Alibaba dalam keluarga Qwen4, diluncurkan pada 16 November 2026. Ini adalah model sparse mixture-of-experts (MoE) dengan peningkatan arsitektur, kemampuan visi native, dan jendela konteks lebih besar, dirancang untuk penalaran kompleks dan aplikasi agentic.
Berikut fitur yang paling relevan untuk proyek kita:
Berikut hasil benchmark dari pengumuman Alibaba, yang menunjukkan Qwen4-Max meningkat atas Qwen3.8-Max di hampir setiap kemampuan yang dievaluasi Alibaba:
Gambar 1: Hasil benchmark Qwen4-Max. Gambar diambil dari: Qwen, Qwen4-Max: Your New Teammate Has Arrived.
Bagaimana Cara Kerja Analis Pemberitahuan Hukum?
Analis ini adalah satu asisten Qwen-Agent yang mengoordinasikan dua alat Python, sementara Qwen4-Max menangani pemahaman dokumen dan penalaran. Sebelum menulis kode, mari lihat alurnya.
Gambar 2: Alur kerja analis pemberitahuan hukum.
Alur kerja memiliki 6 langkah:
risk_gateuntuk memeriksa instruksi pembayaran mencurigakan, ancaman, dan tautan.lookup_lawuntuk mencari sumber hukum resmi.Pilihan desain kunci adalah LLM tidak melakukan semuanya. Python menangani pemeriksaan deterministik, Olostep menangani riset eksternal, dan Qwen4-Max menangani pemahaman dokumen serta penalaran.
Itu membuat alur kerja tetap sederhana sekaligus memberi agen alat untuk setiap tugas. Jika terminologi agen baru bagi Anda, kursus Introduction to AI Agents kami membahas dasar-dasarnya tanpa perlu coding.
1. Menyiapkan Lingkungan
Kita akan menggunakan Jupyter Notebook, QwenCloud untuk akses model, dan Olostep untuk pencarian web dan scraping.
Pertama, buat akun di QwenCloud, tambahkan kredit atau berlangganan Token Plan, dan buat kunci API dari dasbor. QwenCloud menyediakan endpoint API berdasarkan wilayah yang Anda pilih.
Anda juga memerlukan kunci API Olostep untuk riset hukum.
Setel variabel lingkungan Anda di terminal sebelum meluncurkan Jupyter Notebook. Anda juga dapat menyetelnya di dalam notebook dengan
os.environ.Saya menggunakan endpoint Token Plan, yang memberi saya akses model dengan harga diskon. Jika Anda membayar sesuai pemakaian, gunakan endpoint yang ditampilkan QwenCloud untuk wilayah Anda.
Selanjutnya, instal dependensi yang diperlukan di notebook Anda:
Ekstra
ragmenambahkan paket pemrosesan dokumen seperti pdfplumber, yang akan kita gunakan untuk membaca PDF. Per versi 0.0.34, Qwen-Agent juga mengimpor soundfile dan tqdm saat startup tanpa mendeklarasikannya sebagai dependensi, jadi kita instal keduanya secara eksplisit.Konfigurasi Qwen4-Max
Berikutnya, kita inisialisasi model dan klien Olostep. Saya menggunakan wilayah Singapura, yang juga menawarkan Token Plan.
Ini mengonfigurasi Qwen4-Max untuk input multimodal, menyetel tingkat upaya penalaran, dan menginisialisasi klien riset. Perhatikan bahwa
OLOSTEP_API_TIMEOUTdisetel sebelum impor, karena SDK membacanya saat dimuat.Beberapa opsi konfigurasi penting untuk dipahami:
modelmenentukan model yang ingin kita gunakan.model_typememungkinkan kita mengirim gambar melalui antarmuka multimodal yang kompatibel dengan OpenAI.model_servermenunjuk ke endpoint dariQWEN_BASE_URL.max_tokensmembatasi panjang respons yang dihasilkan.reasoning_effortmengontrol seberapa banyak penalaran yang dilakukan model. Kita gunakanlowagar respons cepat.OLOSTEP_API_TIMEOUTmenyetel batas waktu, dalam detik, pada permintaan riset.Membuat helper agen yang dapat digunakan ulang
Kita akan memproses input teks dan gambar, jadi mari buat fungsi yang dapat digunakan ulang untuk menjalankan agen.
Fungsi ini mengirim prompt dan gambar opsional ke Qwen-Agent, menunggu respons akhir, dan mengekstrak teks yang dihasilkan.
Kita juga perlu helper untuk membaca PDF.
Fungsi ini mengekstrak teks yang dapat dipilih dari setiap halaman PDF dan menggabungkannya menjadi satu string.
Catatan: pdfplumber tidak melakukan OCR. Untuk PDF hasil scan yang hanya berisi gambar, render setiap halaman sebagai gambar dan kirim langsung ke Qwen4-Max.
2. Membangun Deteksi Penipuan dengan Risk Gate
Alat kustom pertama mengidentifikasi perilaku mencurigakan. Alih-alih meminta LLM mengenali setiap instruksi pembayaran mencurigakan, kita dapat menggunakan regular expression untuk mendeteksi taktik penipuan yang dikenal.
Ini lebih cepat, deterministik, dan tidak menggunakan token model. Jika Anda ingin penyegar tentang sintaksnya, kursus Regular Expressions in Python kami membahasnya.
Mendefinisikan aturan deteksi penipuan
Mulai dengan daftar regular expression dan pemetaan antara lembaga pemerintah dan domain resminya.
Kode ini menentukan indikator penipuan dan memetakan nama lembaga ke domain yang benar-benar digunakan lembaga tersebut. Misalnya, jika pemberitahuan menyebut IRS, aplikasi memeriksa tautannya terhadap irs.gov.
Mengekstrak dan memvalidasi domain
Selanjutnya, kita perlu helper yang mengekstrak hostname dari URL.
Ini mengekstrak hostname dan memeriksa apakah itu domain resmi atau subdomain yang sah. Pembedaan ini penting: pemeriksaan
endswith()dasar akan menerima fakeirs.gov sebagai situs IRS.Mengimplementasikan alat risk gate
Sekarang kita dapat menggabungkan aturan ini ke dalam alat kustom Qwen-Agent.
Alat ini memindai pemberitahuan untuk pola yang cocok, memeriksa URL terhadap domain resmi lembaga, dan mengembalikan indikator mencurigakan. Nama lembaga dicocokkan sebagai kata utuh, sehingga "irs" tidak memicu pada kata seperti "first".
Misalnya, pemberitahuan IRS fiksi dari Uji 1 menghasilkan:
Agen menerima hasil ini sebagai bagian dari konteksnya dan menggunakannya saat memutuskan apakah pemberitahuan tersebut mencurigakan.
3. Membuat Alat Riset Hukum
Alat kedua kita menangani riset eksternal. Kita tidak ingin agen menelusuri situs acak, forum diskusi, atau blog firma hukum lalu memperlakukan semuanya sebagai otoritatif.
Sebagai gantinya, kita membatasi riset ke situs web resmi pemerintah AS dan Cornell LII. Kita akan menggunakan Olostep karena dapat mencari dan melakukan scraping beberapa hasil dalam satu permintaan. Jika Anda ingin membandingkannya dengan opsi lain, lihat tutorial Firecrawl kami.
Mendefinisikan pembatasan riset
Pertama, mari definisikan sumber yang diizinkan dan beberapa batasan pada berapa banyak yang kita ambil.
Fungsi
is_allowed_host()menerima situs .gov dan Cornell LII. Fungsi ini menggunakan kembaliis_official_domain(), sehingga domain mirip seperti fakelaw.cornell.edu ditolak. Kita juga menyimpan maksimal 2 halaman, dengan maksimum 3.000 karakter per halaman.Mengimplementasikan alat LookupLaw
Sekarang mari buat alat kustom kedua.
Alat ini mengirim permintaan pencarian ke Olostep, memfilter hasil, mengekstrak konten halaman, dan mengembalikan kutipan yang dipilih ke Qwen4-Max.
Tiga detail implementasi yang perlu dicatat:
self.sourcessehingga aplikasi dapat menampilkannya setelah analisis.4. Membangun Agen dengan Qwen-Agent dan Qwen4-Max
Kini kita memiliki kedua alat kustom:
risk_gatemengidentifikasi perilaku mencurigakan, danlookup_lawmengambil informasi hukum yang relevan. Selanjutnya, kita buat agen yang mengoordinasikan keduanya.Satu sistem prompt mendefinisikan alur kerja, urutan alat, dan format respons. Qwen-Agent bukan satu-satunya opsi untuk build seperti ini, dan kursus Developing LLM Applications with LangChain kami membahas kerangka kerja lain.
Mendefinisikan sistem prompt
Prompt ini mendefinisikan tanggung jawab agen dan mencegahnya mengarang informasi hukum. Satu instruksi yang layak diperhatikan: tenggat waktu.
Pemberitahuan palsu tetap bisa memuat tenggat, sehingga agen harus melaporkan apa yang diklaim dokumen sambil menjelaskan apakah tenggat tersebut kredibel.
Menambahkan disclaimer dan penanganan sumber
Kita menyimpan disclaimer di luar sistem prompt agar Python dapat menambahkannya secara konsisten.
Ini memberi kita pesan cadangan saat riset hukum tidak mengembalikan sumber resmi, dan setiap respons menyertakan disclaimer hukum.
Membuat fungsi analisis utama
Terakhir, mari hubungkan semuanya dalam satu fungsi yang dapat digunakan ulang.
Fungsi ini membuat agen baru untuk setiap dokumen, menjalankan analisis, mengumpulkan sumber yang diambil, dan mengembalikan respons akhir. Kita membuat
LookupLaw()di dalam fungsi agar setiap pemberitahuan memiliki daftar sumbernya sendiri.5. Menguji Analis Pemberitahuan Hukum
Kita sekarang memiliki analis pemberitahuan hukum yang berfungsi. Mari uji pada 3 dokumen sampel:
Setiap uji mencoba bagian alur kerja yang berbeda.
Uji 1: Surat penipuan IRS
Contoh pertama adalah surat penipuan IRS fiksi. Surat ini mengklaim penerima berutang $4.870 dalam pajak penghasilan federal dan harus membayar dalam 24 jam.
Surat ini juga mengancam penangkapan, menuntut pembayaran dengan gift card atau wire transfer, dan menyertakan situs web mencurigakan. Berikut input contohnya:
Ini membuat pemberitahuan fiksi dan mengirimkannya ke agen untuk dianalisis.
Keluaran:
Gambar 3: Keluaran analis untuk surat penipuan IRS fiksi.
Pemindai menemukan beberapa indikator mencurigakan, dan agen melewati riset hukum eksternal. Itulah yang kita inginkan untuk penipuan yang jelas: aplikasi tidak menghabiskan token ekstra untuk riset saat pemeriksaan deterministik sudah menunjukkan penipuan.
Apa yang ditunjukkan uji ini: Risk gate dapat mengidentifikasi taktik penipuan umum dan membantu agen menghindari riset eksternal yang tidak perlu.
Uji 2: Foto pemberitahuan penggusuran
Uji kedua berfokus pada visi native Qwen4-Max. Alih-alih mengekstrak teks sendiri, kita mengirim foto pemberitahuan penggusuran langsung ke model.
Sampel kita adalah pemberitahuan tiga hari di Florida yang menuntut $1.850 untuk sewa yang belum dibayar, atau pengosongan properti pada 23 November 2026. Berikut kodenya:
Ini mengirim foto langsung ke Qwen4-Max, sehingga tidak diperlukan pipeline OCR terpisah. Untuk build lain yang menggabungkan visi Qwen dengan pemanggilan alat, lihat tutorial API Qwen 3.6 Plus kami tentang pemrosesan faktur.
Keluaran:
Gambar 4: Keluaran analis untuk pemberitahuan penggusuran yang difoto.
Model memahami foto tersebut, mengekstrak jumlah dan tenggat, dan mengidentifikasi jenis pemberitahuan. Model mengakui bahwa halaman hukum yang diambil tidak memuat cukup informasi untuk memverifikasi undang-undang, serta menemukan kolom tanda tangan dan pengiriman kosong pada dokumen sampel.
Apa yang ditunjukkan uji ini: Qwen4-Max dapat menafsirkan dokumen hukum yang difoto secara langsung, sementara Qwen-Agent mengoordinasikan riset tambahan dan mengomunikasikan ketidakpastian.
Uji 3: PDF surat peringatan (cease and desist)
Untuk uji terakhir, kita menggunakan surat peringatan dua halaman dalam format PDF.
Dokumen mengutip 17 U.S.C. §§ 501 dan 512, menuduh pelanggaran hak cipta, serta meminta penerima menghapus konten yang disengketakan dan mengonfirmasi kepatuhan pada 28 November 2026. PDF berisi teks yang dapat dipilih, jadi kita bisa menggunakan helper
read_pdf(). Berikut kodenya:Ini mengekstrak isi PDF dan mengirim teks hasilnya ke agen yang sama.
Keluaran:
Gambar 5: Keluaran analis untuk surat peringatan.
Agen dengan benar membedakan tuntutan hukum privat dari pemberitahuan resmi pemerintah atau pengadilan. Agen mengenali bahwa tidak ada uang yang diminta dan menyesuaikan rekomendasinya. Alat riset mengambil halaman yang relevan dari US Copyright Office, yang muncul di bagian sumber akhir.
Apa yang ditunjukkan uji ini: Agen yang sama dapat menangani korespondensi PDF, mengidentifikasi sifat tuntutan hukum, dan merekomendasikan langkah selanjutnya yang sesuai.
Pengalaman Saya dengan Qwen4-Max: Kelebihan, Kekurangan, dan Kekurangannya
Setelah menggunakan Qwen4-Max untuk proyek ini, aplikasi agentic lainnya, dan vibe coding, berikut penilaian jujur saya.
Kelebihan
Ekosistem Qwen mencakup banyak hal. Termasuk speech-to-text, text-to-speech, pencarian web, web scraping, dan toolkit open-source untuk membangun aplikasi agentic tanpa harus mengimplementasikan semuanya dari nol.
Yang paling saya sukai adalah kepatuhan Qwen4-Max terhadap instruksi terperinci. Secara umum model menghormati struktur keluaran yang diminta, mengekstrak tanggal dari dokumen, dan menghasilkan ringkasan yang akurat selama pengujian saya.
Kemampuan memahami gambar menonjol. Saya memberi foto pemberitahuan hukum dan model membacanya tanpa pipeline OCR tambahan, yang sangat membantu untuk aplikasi agentic yang sarat dokumen.
Kekurangan
Kecepatan adalah masalah terbesar bagi saya. Qwen4-Max bukan model pilihan saya untuk vibe coding: dibandingkan DeepSeek V4.1 Flash dan model lain yang saya uji, sering kali butuh waktu lebih lama untuk menyelesaikan tugas sederhana.
Saya sering melihat kecepatan generasi sekitar 100 token per detik, tetapi angka itu menutupi biaya sebenarnya. Model menghabiskan waktu lama untuk menalar perubahan yang lugas, dan terkadang saya meminta suntingan sederhana namun menunggu jauh lebih lama dari perkiraan.
Jika Anda ingin mencoba opsi yang lebih cepat, kami membahasnya dalam tutorial API DeepSeek V4.1 Flash.
Kekurangannya
Pencarian web bawaan adalah bagian yang paling membuat frustrasi. Dalam pengujian saya, waktu respons tidak konsisten: kueri yang sama bisa kembali dalam hitungan detik atau hampir satu menit, dan beberapa permintaan berjalan lebih dari 400 detik tanpa selesai.
Tiga kali menjalankan alur riset saya memakan waktu hampir 16 menit. Itu tidak cukup andal untuk aplikasi yang bergantung pada informasi hukum eksternal.
Mengganti pencarian bawaan dengan Olostep menjadi keharusan, yang juga berarti saya tidak bisa sepenuhnya bergantung pada ekosistem Qwen, seperti rencana awal saya.
Saya mengalami masalah lain saat bereksperimen dengan DeepSeek Harness. Saya menanyakan pertanyaan sederhana tentang riset pasar saham, dan alur kerja menghabiskan waktu lama sebelum mengembalikan error. Itu membuat frustrasi untuk tugas yang begitu sederhana.
Secara keseluruhan, Qwen4-Max memiliki kemampuan yang mengesankan, tetapi beban penalaran dan pencarian bawaan yang tidak konsisten patut dipertimbangkan sebelum Anda membangun alur kerja produksi di sekitarnya. Jika Anda ingin terus membangun dengan model Qwen, tutorial API Qwen 3.7 Max kami membahas agen produktivitas yang melakukan self-review.