본문으로 건너뛰기

Qwen4-Max 튜토리얼: 법적 고지 분석기 만들기

Qwen4-Max, Qwen-Agent, Olostep로 미국 법적 고지 분석기를 구축하세요. 사기 징후를 표시하고, 사진과 PDF를 읽고, 공식 출처로 주장 내용을 검증합니다.
· 12분 읽기

AI와 탐험해 보세요

정부 기관에서 온 통지서를 받고 이것이 진짜인지, 응답해야 하는지, 아니면 사기인지 고민해 본 적이 있으신가요?

법적 고지서는 읽기 어렵습니다. 복잡한 문장에 결제 요구와 기한이 섞여 있기 때문입니다. 사기범들은 이런 혼란을 이용해 정부 기관을 사칭하고 긴박감을 조성합니다.

이 튜토리얼에서는 Qwen4-Max와 Qwen-Agent 프레임워크를 사용해 미국 법적 고지 분석기를 만듭니다. 이 애플리케이션은 텍스트, 이미지, PDF를 입력으로 받아, 의심스러운 결제 유도를 표시하고, 검증이 필요할 때는 공식 법률 리소스를 검색합니다.

대규모 언어 모델(LLM)에만 의존하는 대신, 두 가지 파이썬 도구와 함께 사용합니다. 첫 번째는 정규표현식으로 흔한 사기 신호를 포착하고, 두 번째는 Olostep을 사용해 공식 정부 웹사이트와 Cornell 법률정보연구소(LII)를 검색합니다.

핵심 요약

  • Qwen4-Max, Qwen-Agent, Olostep으로 텍스트, 사진, PDF를 받는 법적 고지 분석기를 구축합니다.
  • 정규표현식 기반 위험 게이트가 모델이 리서치를 수행하기 전 사기 패턴과 유사 도메인을 표시합니다.
  • 리서치 도구는 .gov 사이트와 Cornell LII로 조회를 제한하며, 명백한 사기인 경우 에이전트는 리서치를 건너뜁니다.
  • 테스트에서 Qwen4-Max는 사진으로 촬영된 통지서를 잘 읽었지만, 단순 작업에서 느리고 기본 웹 검색은 신뢰도가 낮았습니다.

Qwen4-Max란?

Qwen4-Max는 2026년 11월 16일 출시된 Qwen4 제품군의 Alibaba 대표 모델입니다. 희소 전문가 혼합(MoE) 구조에 설계 개선을 더하고, 네이티브 비전과 더 큰 컨텍스트 윈도우를 갖추어 복잡한 추론과 에이전트형 애플리케이션을 위해 설계되었습니다.

이번 프로젝트와 가장 관련 있는 기능은 다음과 같습니다:

  • 희소 MoE 아키텍처: Qwen4-Max는 2.4T 백본 파라미터, 토큰당 71B 활성 파라미터, 추가로 328B N-그램 임베딩 파라미터를 갖습니다. Gated DeltaNet 레이어와 Qwen Sparse Attention으로 장문 컨텍스트 비용을 낮춥니다.
  • 네이티브 비전: 이미지를 직접 읽을 수 있으므로, 별도의 OCR 파이프라인 없이 법적 고지서 사진을 그대로 보낼 수 있습니다.
  • 100만 토큰 컨텍스트 윈도우: 긴 문서와 많은 보조 정보를 담기에 충분합니다.
  • 더 나은 토큰 효율: Alibaba에 따르면, Qwen4-Max는 Work360의 High 추론 노력에서 Qwen3.8-Max 대비 약 35% 적은 토큰을 사용하며, Terminal-Bench 4.0에서는 약 49% 적게 사용합니다. Xhigh 노력에서는 각각 약 24%, 48% 감소합니다.
  • 낮은 작업 비용: Work360에서 Qwen4-Max는 52.69를 기록하여 Qwen3.8-Max의 47.74보다 향상되었고, 작업당 평균 비용은 $4.43에서 $1.67로 62% 감소했습니다.

아래는 Alibaba 발표의 벤치마크 결과로, Qwen4-Max가 Alibaba가 평가한 거의 모든 능력에서 Qwen3.8-Max를 개선했음을 보여줍니다:

Alibaba의 Qwen4-Max와 기타 모델의 코딩, 업무, 장기 작업 비교 벤치마크

그림 1: Qwen4-Max 벤치마크 결과. 이미지 출처: Qwen, Qwen4-Max: Your New Teammate Has Arrived.

법적 고지 분석기는 어떻게 작동하나요?

이 분석기는 하나의 Qwen-Agent 어시스턴트가 두 개의 파이썬 도구를 조정하고, Qwen4-Max가 문서 이해와 추론을 담당합니다. 코드를 작성하기 전에 워크플로를 살펴보겠습니다.

고지 입력부터 위험 게이트 및 법률 조사, 최종 응답까지의 법적 고지 분석기 워크플로 다이어그램

그림 2: 법적 고지 분석기 워크플로.

워크플로는 다음 6단계로 이루어집니다:

  1. 사용자가 텍스트, 이미지, 또는 PDF로 고지를 제출합니다.
  2. Qwen4-Max가 문서를 읽고 핵심 내용을 파악합니다.
  3. 에이전트가 risk_gate를 호출해 의심스러운 결제 지시, 위협, 링크를 점검합니다.
  4. 문서가 명백한 사기라면, 에이전트는 외부 조사를 건너뜁니다.
  5. 그렇지 않으면, 에이전트가 lookup_law를 호출해 공식 법률 리소스를 검색합니다.
  6. Qwen4-Max가 판단, 요약, 근거, 권장 후속 조치를 포함한 구조화된 응답을 생성합니다.

핵심 설계 선택은 LLM이 모든 일을 하지 않는다는 점입니다. 결정적 점검은 파이썬이, 외부 조사는 Olostep이, 문서 이해와 추론은 Qwen4-Max가 담당합니다.

이렇게 하면 각 작업에 맞는 도구를 에이전트에 제공하면서 워크플로를 단순하게 유지할 수 있습니다. 에이전트 용어가 낯설다면, 코딩 없이 기본을 다루는 Introduction to AI Agents 과정을 참고하세요.

1. 환경 설정

Jupyter Notebook, 모델 접근을 위한 QwenCloud, 웹 검색 및 스크래핑을 위한 Olostep을 사용합니다.

먼저 QwenCloud에 계정을 만들고, 크레딧을 추가하거나 토큰 플랜에 가입한 뒤 대시보드에서 API 키를 발급하세요. QwenCloud는 선택한 지역에 따라 API 엔드포인트를 제공합니다.

법률 조사를 위해 Olostep API 키도 필요합니다.

Jupyter Notebook을 실행하기 전에 터미널에서 환경 변수를 설정하세요. Notebook 내부에서 os.environ으로 설정할 수도 있습니다.

export QWEN_API_KEY="your-qwen-api-key"
export QWEN_BASE_URL="https://token-plan.maas.qwencloudapi.com/compatible-mode/v1"
export OLOSTEP_API_KEY="your-olostep-api-key"

저는 토큰 플랜 엔드포인트를 사용해 모델을 할인된 가격으로 이용합니다. 종량제라면 지역에 맞춰 QwenCloud가 보여 주는 엔드포인트를 사용하세요.

다음으로, Notebook에서 필요한 의존성을 설치합니다:

%pip install -q "qwen-agent[rag]" olostep soundfile tqdm

rag 익스트라는 pdfplumber 같은 문서 처리 패키지를 추가하며, PDF 읽기에 사용합니다. 0.0.34 버전 기준으로 Qwen-Agent는 시작 시 soundfile과 tqdm을 의존성으로 선언하지 않고도 임포트하므로, 두 패키지를 명시적으로 설치합니다.

Qwen4-Max 구성

다음으로 모델과 Olostep 클라이언트를 초기화합니다. 저는 싱가포르 리전을 사용하며, 이 리전도 토큰 플랜을 제공합니다.

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"])

이 설정은 Qwen4-Max를 멀티모달 입력에 맞게 구성하고, 추론 노력 수준을 지정하며, 리서치 클라이언트를 초기화합니다. OLOSTEP_API_TIMEOUT은 SDK가 로드될 때 읽기 때문에 임포트 전에 설정합니다.

알아두면 좋은 몇 가지 옵션입니다:

  • model은 사용할 모델을 지정합니다.
  • model_type은 OpenAI 호환 멀티모달 인터페이스로 이미지를 전송할 수 있게 해줍니다.
  • model_server는 QWEN_BASE_URL의 엔드포인트를 가리킵니다.
  • max_tokens는 생성 응답 길이를 제한합니다.
  • reasoning_effort는 모델의 추론 강도를 제어합니다. 응답 속도를 위해 low를 사용합니다.
  • OLOSTEP_API_TIMEOUT은 리서치 요청의 제한 시간을(초) 설정합니다.

재사용 가능한 에이전트 헬퍼 만들기

텍스트와 이미지 입력을 모두 처리할 것이므로, 에이전트를 실행하는 재사용 함수부터 만듭니다.

def run_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,
    )

이 함수는 프롬프트와 선택적 이미지를 Qwen-Agent에 보내고, 최종 응답을 기다린 다음 생성된 텍스트를 추출합니다.

또한 PDF 읽기용 헬퍼가 필요합니다.

def read_pdf(path):
    import pdfplumber

    with pdfplumber.open(path) as pdf:
        return "\n".join(
            page.extract_text() or "" for page in pdf.pages
        )

이 함수는 모든 PDF 페이지에서 선택 가능한 텍스트를 추출해 하나의 문자열로 합칩니다.

참고: pdfplumber는 OCR을 수행하지 않습니다. 이미지로만 구성된 스캔 PDF의 경우, 각 페이지를 이미지로 렌더링해 Qwen4-Max에 직접 보내세요.

2. 위험 게이트로 사기 탐지 구축

첫 번째 커스텀 도구는 의심스러운 행동을 식별합니다. 모든 의심스러운 결제 지시를 LLM이 판별하도록 맡기기보다, 정규표현식으로 알려진 사기 전술을 감지할 수 있습니다.

이 방식은 더 빠르고 결정적이며, 모델 토큰을 사용하지 않습니다. 문법을 복습하고 싶다면 Regular Expressions in Python 과정을 참고하세요.

사기 탐지 규칙 정의

우선 정규표현식 목록과 정부 기관 및 공식 도메인 간 매핑을 정의합니다.

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)\"'<>]+")

이 코드는 사기 지표를 정의하고, 기관명을 해당 기관이 실제로 사용하는 도메인에 매핑합니다. 예를 들어, 통지서에 IRS가 언급되면, 애플리케이션은 링크가 irs.gov와 일치하는지 확인합니다.

도메인 추출 및 검증

다음으로 URL에서 호스트명을 추출하는 헬퍼가 필요합니다.

from urllib.parse import urlparse


def host_of(url):
    return (urlparse(url).hostname or "").lower().rstrip(".")


def is_official_domain(host, domain):
    return host == domain or host.endswith("." + domain)

이는 호스트명을 추출하고, 공식 도메인 또는 합법적 하위 도메인인지 확인합니다. 이 구분은 중요합니다. 단순한 endswith() 검사만으로는 fakeirs.gov도 IRS 웹사이트로 오인할 수 있습니다.

위험 게이트 도구 구현

이제 규칙을 커스텀 Qwen-Agent 도구로 합칩니다.

class RiskGate(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"],
    }

    def call(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 in sorted(hosts)
                if host and not is_official_domain(host, agency)
            ]
        return "\n".join(flags) or "no flags"

이 도구는 통지서에서 일치하는 패턴을 탐색하고, URL을 기관의 공식 도메인과 대조해 의심 지표를 반환합니다. 기관명은 온전한 단어로 일치시켜 “irs”가 “first” 같은 단어에 반응하지 않게 합니다.

예를 들어, 테스트 1의 가상의 IRS 통지서는 다음과 같은 결과를 생성합니다:

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.gov

에이전트는 이러한 결과를 컨텍스트의 일부로 받아 통지서가 의심스러운지 판단할 때 활용합니다.

3. 법률 조사 도구 만들기

두 번째 도구는 외부 조사를 담당합니다. 임의의 웹사이트, 토론 포럼, 로펌 블로그를 검색하고 그 결과를 권위 있는 정보로 취급하고 싶지 않습니다.

대신, 공식 미국 정부 웹사이트와 Cornell LII로 조사를 제한합니다. Olostep은 단일 요청으로 여러 결과를 검색하고 스크래핑할 수 있어 사용합니다. 다른 옵션과 비교하고 싶다면 Firecrawl 튜토리얼을 참고하세요.

조사 제한 정의

먼저 허용된 출처와 수집량 제한을 정의합니다.

def is_allowed_host(host):
    return host.endswith(".gov") or is_official_domain(
        host, "law.cornell.edu"
    )


MAX_PAGES = 2
PAGE_CHARS = 3000

is_allowed_host() 함수는 .gov 사이트와 Cornell LII를 허용합니다. is_official_domain()을 재사용하므로 fakelaw.cornell.edu 같은 유사 도메인은 거부됩니다. 또한 최대 2페이지, 페이지당 3,000자까지만 유지합니다.

LookupLaw 도구 구현

이제 두 번째 커스텀 도구를 만듭니다.

class LookupLaw(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 = []

    def call(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") else None
            ),
            scrape_options={
                "formats": ["markdown"],
                "timeout": 20,
            },
        )
        pages = []
        for link in found.links:
            host = host_of(link["url"])
            if not 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}")
            if len(pages) == MAX_PAGES:
                break
        return "\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."
        )

이 도구는 Olostep에 검색 요청을 보내고, 결과를 필터링해 페이지 콘텐츠를 추출한 뒤, 선택한 발췌문을 Qwen4-Max에 반환합니다.

눈여겨볼 구현 세부사항은 다음과 같습니다:

  • 최대 5개의 검색 결과를 가져오지만, 자격을 갖춘 페이지는 최대 2개만 유지합니다.
  • 스크랩된 Markdown을 우선 사용하고, 없으면 페이지 설명으로 대체합니다.
  • 가져온 URL을 self.sources에 저장해 분석 이후 애플리케이션이 표시할 수 있게 합니다.

4. Qwen-Agent와 Qwen4-Max로 에이전트 구축

커스텀 도구 두 가지, 즉 risk_gate와 lookup_law를 준비했습니다. 이제 이를 조정할 에이전트를 생성합니다.

단일 시스템 프롬프트로 워크플로, 도구 사용 순서, 응답 형식을 정의합니다. Qwen-Agent만이 유일한 선택은 아니며, Developing LLM Applications with LangChain 과정에서 다른 프레임워크를 다룹니다.

시스템 프롬프트 정의

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."""

이 프롬프트는 에이전트의 역할을 정의하고 법률 정보를 지어내지 않도록 합니다. 특히 기한 처리 지침이 중요합니다.

사기 문서에도 기한이 있을 수 있으므로, 문서가 주장하는 바를 보고하되 그 기한이 신뢰할 만한지 설명해야 합니다.

디스클레이머 및 출처 처리 추가

디스클레이머는 시스템 프롬프트 밖에 두어 파이썬이 일관되게 덧붙이도록 합니다.

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."
)

이는 법률 조사에서 공식 출처가 없을 때 사용할 안내 문구를 제공하며, 모든 응답에 법률적 디스클레이머가 포함되도록 합니다.

메인 분석 함수 만들기

마지막으로, 모든 요소를 하나의 재사용 가능한 함수로 연결합니다.

def analyze_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}"
    )

이 함수는 문서마다 새 에이전트를 만들고 분석을 실행한 다음, 수집한 출처를 모아 최종 응답을 반환합니다. 각 통지서가 자체 출처 목록을 갖도록 LookupLaw()를 함수 내부에서 생성합니다.

5. 법적 고지 분석기 테스트

이제 작동하는 법적 고지 분석기가 준비되었습니다. 다음 3가지 예시 문서로 테스트합니다:

  1. 가상의 IRS 사기 편지
  2. 플로리다 퇴거 통지서 사진
  3. PDF 형식의 경고 및 중지 요청서

각 테스트는 워크플로의 다른 부분을 점검합니다.

테스트 1: IRS 사기 편지

첫 번째 예시는 가상의 IRS 사기 편지입니다. 수신자가 2024년 소득세 4,870달러를 체납했고 24시간 이내에 납부해야 한다고 주장합니다.

또한 체포를 위협하고, 기프트 카드나 전신송금을 요구하며, 의심스러운 웹사이트를 포함합니다. 샘플 입력은 다음과 같습니다:

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))

이는 가상의 통지서를 생성해 에이전트에 분석을 요청합니다.

출력:

가상 IRS 사기 편지에 대한 법적 고지 분석기 출력

그림 3: 가상 IRS 사기 편지에 대한 분석 결과.

스캐너가 여러 의심 지표를 찾아내고, 에이전트는 외부 법률 조사를 건너뜁니다. 명백한 사기의 경우 우리가 원하는 동작입니다. 결정적 점검에서 이미 사기 가능성을 가리키므로, 애플리케이션은 불필요한 리서치 토큰을 소모하지 않습니다.

이 테스트가 보여주는 점: 위험 게이트는 흔한 사기 전술을 식별하고, 에이전트가 불필요한 외부 조사를 피하도록 돕습니다.

테스트 2: 퇴거 통지서 사진

두 번째 테스트는 Qwen4-Max의 네이티브 비전에 초점을 둡니다. 텍스트를 직접 추출하는 대신, 퇴거 통지서 사진을 모델에 그대로 보냅니다.

샘플은 플로리다의 사흘 통지서로, 1,850달러의 체납 임대료 또는 2026년 11월 23일까지 부동산 인도를 요구합니다. 코드는 다음과 같습니다:

Markdown(
    analyze_notice(
        images=["samples/eviction.png"]
    )
)

사진을 Qwen4-Max에 바로 보내므로 별도의 OCR 파이프라인이 필요 없습니다. Qwen의 비전과 도구 호출을 결합한 다른 예시는 인보이스 처리에 관한 Qwen 3.6 Plus API 튜토리얼을 참고하세요.

출력:

플로리다 퇴거 통지서 사진에 대한 법적 고지 분석기 출력

그림 4: 퇴거 통지서 사진 분석 결과.

모델은 사진을 이해하고 금액과 기한을 추출했으며, 통지서 유형을 식별했습니다. 가져온 법률 페이지가 조항을 검증하기엔 충분치 않음을 인정했고, 샘플 문서의 서명과 송달 항목이 비어 있음을 지적했습니다.

이 테스트가 보여주는 점: Qwen4-Max는 사진으로 찍힌 법적 문서를 직접 해석할 수 있으며, Qwen-Agent는 추가 조사를 조정하고 불확실성을 전달합니다.

테스트 3: PDF 경고 및 중지 요청서

마지막 테스트는 두 페이지짜리 PDF 형식의 경고 및 중지 요청서입니다.

문서는 17 U.S.C. § 501, 512를 인용하고 저작권 침해를 주장하며, 2026년 11월 28일까지 해당 콘텐츠를 삭제하고 이행 확인을 요청합니다. 이 PDF는 선택 가능한 텍스트를 포함하므로 read_pdf() 헬퍼를 사용할 수 있습니다. 코드는 다음과 같습니다:

pdf_text = read_pdf("samples/legal.pdf")

Markdown(
    analyze_notice(text=pdf_text)
)

이는 PDF 내용을 추출해 동일한 에이전트에 텍스트로 전송합니다.

출력:

PDF 경고 및 중지 요청서에 대한 법적 고지 분석기 출력

그림 5: 경고 및 중지 요청서 분석 결과.

에이전트는 사적 법률 요구와 공식 정부 또는 법원 통지의 차이를 올바르게 구분했습니다. 금전 요구가 없음을 인지하고 권고를 조정했으며, 리서치 도구는 최종 출처 목록에 나타나는 미국 저작권청 관련 페이지를 가져왔습니다.

이 테스트가 보여주는 점: 동일한 에이전트가 PDF 서신을 처리하고, 법률 요구의 성격을 식별하며, 적절한 후속 조치를 권장할 수 있습니다.

Qwen4-Max 사용 소감: 장점, 단점, 아쉬운 점

이번 프로젝트, 다른 에이전트형 애플리케이션, 바이브 코딩에 Qwen4-Max를 사용해 본 솔직한 소감입니다.

장점

Qwen 생태계는 영역을 넓게 커버합니다. 음성 인식, 음성 합성, 웹 검색, 웹 스크래핑, 그리고 에이전트형 애플리케이션을 처음부터 구현하지 않고도 구축할 수 있는 오픈소스 툴킷을 포함합니다.

가장 좋았던 점은 Qwen4-Max가 상세한 지시를 잘 따랐다는 것입니다. 요청한 출력 구조를 대체로 준수했고, 문서에서 날짜를 추출했으며, 테스트 중 정확한 요약을 생성했습니다.

이미지 이해 능력도 돋보였습니다. 법적 고지서 사진을 제공했더니 별도 OCR 파이프라인 없이 내용을 읽어, 문서 중심 에이전트형 애플리케이션에 큰 도움이 되었습니다.

단점

가장 큰 문제는 속도였습니다. Qwen4-Max는 바이브 코딩에서 선호하는 모델이 아니었습니다. DeepSeek V4.1 Flash 및 다른 모델들과 비교해 단순 작업을 마치는 데 더 오래 걸리는 경우가 잦았습니다.

초당 100토큰 수준의 생성 속도를 자주 보았지만, 진짜 비용은 그 이면에 있습니다. 모델이 단순한 변경에도 오랜 시간 추론을 했고, 간단한 수정을 요청했는데 예상보다 훨씬 오래 기다려야 할 때가 있었습니다.

더 빠른 옵션을 직접 시험해 보고 싶다면 DeepSeek V4.1 Flash API 튜토리얼을 참고하세요.

아쉬운 점

가장 답답했던 건 기본 웹 검색이었습니다. 테스트에서 응답 시간이 일관되지 않았습니다. 같은 쿼리가 몇 초 만에 돌아오기도 하고 거의 1분이 걸리기도 했으며, 일부 요청은 400초를 넘겨도 완료되지 않았습니다.

리서치 워크플로 3회 실행에 거의 16분이 소요되기도 했습니다. 외부 법률 정보에 의존하는 애플리케이션으로서는 신뢰할 수 없었습니다.

결국 기본 검색을 Olostep으로 대체해야 했고, 당초 계획했던 것처럼 Qwen 생태계만으로는 완전히 의존할 수 없었습니다.

DeepSeek Harness를 실험할 때도 문제가 있었습니다. 주식 시장 조사에 관한 간단한 질문을 했는데, 워크플로가 오랜 시간 요청을 처리하다가 오류를 반환했습니다. 그런 단순한 작업치고는 실망스러웠습니다.

전반적으로 Qwen4-Max는 인상적인 기능을 갖췄지만, 추론 오버헤드와 불안정한 기본 검색을 고려해 프로덕션 워크플로에 도입해야 합니다. Qwen 모델로 계속 빌드하고 싶다면, Qwen 3.7 Max API 튜토리얼에서 자체 검토형 생산성 에이전트를 다룹니다.

주제