Qwen4-Max-tutorial: bouw een analyzer voor juridische kennisgevingen
Bouw een Amerikaanse analyzer voor juridische kennisgevingen met Qwen4-Max, Qwen-Agent en Olostep. Markeer oplichting, lees foto’s en pdf’s, en verifieer beweringen bij officiële bronnen.
Heb je ooit een brief van de overheid gekregen en je afgevraagd of die echt was, of je moest reageren, of dat iemand je probeerde op te lichten?
Juridische kennisgevingen zijn lastig te lezen, zeker als ingewikkelde taal wordt gemengd met betalingsverzoeken en deadlines. Oplichters maken misbruik van die verwarring door overheidsinstanties te imiteren en een vals gevoel van urgentie te creëren.
In deze tutorial bouwen we een Amerikaanse analyzer voor juridische kennisgevingen met Qwen4-Max en het Qwen-Agent-framework. De applicatie accepteert tekst, afbeeldingen en pdf’s, markeert verdachte betaaltrucs en doorzoekt officiële juridische bronnen wanneer iets geverifieerd moet worden.
In plaats van volledig op een large language model (LLM) te vertrouwen, combineren we het met twee Python-tools. De eerste gebruikt reguliere expressies om veelvoorkomende oplichtingssignalen te vangen. De tweede gebruikt Olostep om officiële overheidswebsites en het Cornell Legal Information Institute (LII) te doorzoeken.
In een notendop
We bouwen een analyzer voor juridische kennisgevingen met Qwen4-Max, Qwen-Agent en Olostep die tekst, foto’s en pdf’s accepteert.
Een regex-gebaseerde risicopoort markeert oplichtingspatronen en lookalike-domeinen voordat het model onderzoek doet.
Een onderzoekstool beperkt zoekacties tot .gov-sites en Cornell LII, en de agent slaat onderzoek over wanneer een kennisgeving duidelijk frauduleus is.
In mijn tests las Qwen4-Max gefotografeerde kennisgevingen goed, maar het was traag bij simpele taken en de ingebouwde webzoekfunctie was onbetrouwbaar.
Wat is Qwen4-Max?
Qwen4-Max is Alibaba’s vlaggenschipmodel in de Qwen4-familie, gelanceerd op 16 november 2026. Het is een sparse mixture-of-experts (MoE)-model met architecturale verbeteringen, native visie en een groter contextvenster, ontworpen voor complex redeneren en agentic-toepassingen.
Dit zijn de belangrijkste features voor ons project:
Sparse MoE-architectuur: Qwen4-Max heeft 2,4T backbone-parameters, 71B actief per token, en nog eens 328B N-gram embedding-parameters. Gated DeltaNet-lagen en Qwen Sparse Attention houden de kosten voor lange contexten laag.
Native visie: Het model leest afbeeldingen direct, dus we kunnen een foto van een juridische kennisgeving sturen zonder een aparte OCR-pipeline te bouwen.
1M-token contextvenster: Groot genoeg voor lange documenten en veel ondersteunende informatie.
Betere tokenefficiëntie: Volgens Alibaba gebruikt Qwen4-Max ongeveer 35% minder tokens dan Qwen3.8-Max op Work360 bij High reasoning effort, en ongeveer 49% minder op Terminal-Bench 4.0. Bij Xhigh effort zijn de reducties ongeveer 24% en 48%.
Lagere taakkosten: Op Work360 scoorde Qwen4-Max 52,69, tegenover 47,74 voor Qwen3.8-Max, terwijl de gemiddelde kost per taak daalde van $4,43 naar $1,67, een reductie van 62%.
Hier zijn de benchmarkresultaten uit Alibaba’s aankondiging, die laten zien dat Qwen4-Max Qwen3.8-Max verbetert op vrijwel elke capaciteit die Alibaba heeft geëvalueerd:
Hoe werkt de analyzer voor juridische kennisgevingen?
De analyzer is één Qwen-Agent-assistent die twee Python-tools coördineert, terwijl Qwen4-Max documentbegrip en redenering afhandelt. Voor we code schrijven, kijken we naar de workflow.
Figuur 2: De workflow van de analyzer voor juridische kennisgevingen.
De workflow heeft 6 stappen:
De gebruiker dient een kennisgeving in als tekst, afbeelding of pdf.
Qwen4-Max leest het document en identificeert de hoofdinhoud.
De agent roept risk_gate aan om te controleren op verdachte betalingsinstructies, dreigementen en links.
Als het document duidelijk frauduleus is, slaat de agent extern onderzoek over.
Anders roept de agent lookup_law aan om officiële juridische bronnen te doorzoeken.
Qwen4-Max produceert een gestructureerd antwoord met een oordeel, samenvatting, bewijs en aanbevolen vervolgstappen.
De belangrijkste ontwerpkeuze is dat de LLM niet alles doet. Python verwerkt deterministische checks, Olostep verzorgt extern onderzoek en Qwen4-Max doet documentbegrip en redenering.
Zo blijft de workflow simpel terwijl de agent voor elke taak een tool heeft. Als agentterminologie nieuw voor je is, behandelt onze cursus Introduction to AI Agents de basis zonder dat je hoeft te coderen.
1. De omgeving opzetten
We gebruiken Jupyter Notebook, QwenCloud voor modeltoegang en Olostep voor webzoek en scraping.
Maak eerst een account aan op QwenCloud, voeg tegoed toe of neem een Token Plan-abonnement, en genereer een API-sleutel vanuit het dashboard. QwenCloud biedt een API-endpoint op basis van de door jou gekozen regio.
Stel je omgevingsvariabelen in de terminal in voordat je Jupyter Notebook start. Je kunt ze ook in de notebook instellen met 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"Mogelijk gemaakt door
Ik gebruik het Token Plan-endpoint, dat me korting geeft op de modellen. Als je pay-as-you-go gebruikt, neem je het endpoint dat QwenCloud voor jouw regio toont.
Installeer vervolgens de vereiste dependencies in je notebook:
De extra rag voegt documentverwerkingspakketten toe zoals pdfplumber, die we gebruiken om pdf’s te lezen. Vanaf versie 0.0.34 importeert Qwen-Agent ook soundfile en tqdm bij startup zonder ze als dependencies te declareren, dus we installeren beide expliciet.
Qwen4-Max configureren
Vervolgens initialiseren we het model en de Olostep-client. Ik gebruik de regio Singapore, die ook een Token Plan biedt.
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"])Mogelijk gemaakt door
Dit configureert Qwen4-Max voor multimodale input, stelt een niveau voor redeneringsinspanning in, en initialiseert de onderzoeksclient. Let op dat OLOSTEP_API_TIMEOUT vóór de import is gezet, omdat de SDK die instelling bij het laden leest.
Enkele configuratie-opties zijn het begrijpen waard:
model specificeert het model dat we willen gebruiken.
model_type laat ons afbeeldingen sturen via de OpenAI-compatibele multimodale interface.
model_server wijst naar het endpoint uit QWEN_BASE_URL.
max_tokens beperkt de lengte van de gegenereerde respons.
reasoning_effort bepaalt hoeveel redenering het model doet. We gebruiken low om reacties snel te houden.
OLOSTEP_API_TIMEOUT stelt een tijdslimiet in seconden in voor onderzoeksverzoeken.
Herbruikbare agenthelpers maken
We verwerken zowel tekst- als afbeeldingsinvoer, dus laten we een herbruikbare functie maken om de agent te draaien.
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,)Mogelijk gemaakt door
Deze functie stuurt de prompt en optionele afbeeldingen naar Qwen-Agent, wacht op de uiteindelijke reactie en extraheert de gegenereerde tekst.
We hebben ook een helper nodig om pdf’s te lezen.
defread_pdf(path):import pdfplumber
with pdfplumber.open(path)as pdf:return"\n".join(
page.extract_text()or""for page in pdf.pages
)Mogelijk gemaakt door
Deze functie extraheert selecteerbare tekst van elke pdf-pagina en voegt die samen tot één string.
Let op: pdfplumber voert geen OCR uit. Voor gescande pdf’s die alleen afbeeldingen bevatten, render je elke pagina als afbeelding en stuur je die direct naar Qwen4-Max.
2. Oplichtingsdetectie bouwen met een risicopoort
De eerste aangepaste tool identificeert verdacht gedrag. In plaats van de LLM te vragen elke verdachte betalingsinstructie te herkennen, kunnen we reguliere expressies gebruiken om bekende oplichtingstactieken te detecteren.
Dit is sneller, deterministisch en gebruikt geen modeltokens. Als je de syntax wilt opfrissen, behandelt onze cursus Regular Expressions in Python dit onderwerp.
Regels voor oplichtingsdetectie definiëren
We beginnen met een lijst reguliere expressies en een mapping tussen overheidsinstanties en hun officiële domeinen.
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)\"'<>]+")Mogelijk gemaakt door
Deze code definieert de oplichtingsindicatoren en koppelt namen van instanties aan de domeinen die die instanties daadwerkelijk gebruiken. Als een kennisgeving bijvoorbeeld de IRS noemt, controleert de applicatie de links tegen irs.gov.
Domeinen extraheren en valideren
Vervolgens hebben we een helper nodig die de hostnaam uit een URL haalt.
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)Mogelijk gemaakt door
Dit extraheert de hostnaam en controleert of het het officiële domein of een legitieme subdomein is. Dat onderscheid is belangrijk: een eenvoudige endswith()-check zou fakeirs.gov als IRS-website accepteren.
De risicopoorttool implementeren
Nu kunnen we deze regels combineren in een aangepaste Qwen-Agent-tool.
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"Mogelijk gemaakt door
Deze tool scant de kennisgeving op overeenkomende patronen, controleert de URL’s tegen het officiële domein van de instantie en retourneert de verdachte indicatoren. Instantienamen worden als hele woorden gematcht, zodat „irs” niet triggert op een woord als „first”.
Onze fictieve IRS-kennisgeving uit Test 1 levert bijvoorbeeld op:
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.govMogelijk gemaakt door
De agent ontvangt deze resultaten als onderdeel van zijn context en gebruikt ze bij het bepalen of de kennisgeving verdacht is.
3. De tool voor juridisch onderzoek maken
Onze tweede tool verzorgt extern onderzoek. We willen niet dat de agent willekeurige websites, forums of blogs van advocatenkantoren doorzoekt en alles wat hij vindt als gezaghebbend behandelt.
In plaats daarvan beperken we onderzoek tot officiële Amerikaanse overheidswebsites en het Cornell LII. We gebruiken Olostep omdat het meerdere resultaten in één verzoek kan zoeken en scrapen. Wil je het vergelijken met een andere optie, bekijk dan onze Firecrawl-tutorial.
Onderzoeksbeperkingen definiëren
Definieer eerst de toegestane bronnen en wat limieten op hoeveel we ophalen.
defis_allowed_host(host):return host.endswith(".gov")or is_official_domain(
host,"law.cornell.edu")
MAX_PAGES =2
PAGE_CHARS =3000Mogelijk gemaakt door
De functie is_allowed_host() accepteert .gov-sites en Cornell LII. Ze hergebruikt is_official_domain(), zodat een lookalike zoals fakelaw.cornell.edu wordt afgewezen. We houden ook maximaal 2 pagina’s bij, met een maximum van 3.000 tekens per pagina.
De LookupLaw-tool implementeren
Nu maken we de tweede aangepaste tool.
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.")Mogelijk gemaakt door
Deze tool stuurt een zoekverzoek naar Olostep, filtert de resultaten, extraheert de paginainhoud en retourneert de geselecteerde fragmenten aan Qwen4-Max.
Drie implementatiedetails zijn het vermelden waard:
We halen maximaal 5 zoekresultaten op maar bewaren hoogstens 2 kwalificerende pagina’s.
We geven de voorkeur aan gescrapete Markdown en vallen terug op de paginabeschrijving.
We slaan opgehaalde URL’s op in self.sources zodat de applicatie ze na de analyse kan tonen.
4. De agent bouwen met Qwen-Agent en Qwen4-Max
We hebben nu beide aangepaste tools: risk_gate identificeert verdacht gedrag, en lookup_law haalt relevante juridische informatie op. Vervolgens maken we de agent die ze coördineert.
Één systeemprompt definieert de workflow, de toolvolgorde en het responsformaat. Qwen-Agent is niet de enige optie voor dit soort build; onze cursus Developing LLM Applications with LangChain behandelt een ander framework.
De systeemprompt definiëren
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."""Mogelijk gemaakt door
Deze prompt definieert de verantwoordelijkheden van de agent en voorkomt dat die juridische informatie verzint. Eén instructie verdient extra aandacht: deadlines.
Een frauduleuze kennisgeving kan nog steeds een deadline bevatten, dus de agent moet rapporteren wat het document claimt en tegelijk uitleggen of die deadline geloofwaardig is.
De disclaimer en bronafhandeling toevoegen
We houden de disclaimer buiten de systeemprompt zodat Python die consistent kan toevoegen.
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.")Mogelijk gemaakt door
Dit geeft ons een fallbackbericht wanneer juridisch onderzoek geen officiële bron oplevert, en elke reactie bevat een juridische disclaimer.
De hoofdanalysefunctie maken
Tot slot koppelen we alles in één herbruikbare functie.
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}")Mogelijk gemaakt door
Deze functie maakt een nieuwe agent voor elk document, voert de analyse uit, verzamelt de opgehaalde bronnen en retourneert de uiteindelijke reactie. We maken LookupLaw() binnen de functie zodat elke kennisgeving een eigen bronnenlijst krijgt.
5. De analyzer voor juridische kennisgevingen testen
We hebben nu een werkende analyzer. Laten we hem testen op 3 voorbeelddocumenten:
Een fictieve IRS-oplichtingsbrief.
Een foto van een ontruimingskennisgeving uit Florida.
Een pdf met een sommatie (cease and desist).
Elke test benut een ander deel van de workflow.
Test 1: Een IRS-oplichtingsbrief
Ons eerste voorbeeld is een fictieve IRS-oplichtingsbrief. Die beweert dat de ontvanger $4.870 aan federale inkomstenbelasting verschuldigd is en binnen 24 uur moet betalen.
Er wordt ook gedreigd met arrestatie, betaling met cadeaubonnen of een overboeking geëist, en er staat een verdachte website in. Hier is de voorbeeldinput:
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))Mogelijk gemaakt door
Dit maakt een fictieve kennisgeving aan en dient die in bij de agent voor analyse.
Output:
Figuur 3: De uitvoer van de analyzer voor de fictieve IRS-oplichtingsbrief.
De scanner vindt meerdere verdachte indicatoren en de agent slaat extern juridisch onderzoek over. Dat is wat we willen bij een duidelijke scam: de applicatie besteedt geen extra tokens aan onderzoek wanneer de deterministische checks al op fraude wijzen.
Wat deze test laat zien: De risicopoort kan veelvoorkomende oplichtingstactieken identificeren en de agent helpen onnodig extern onderzoek te vermijden.
Test 2: Een foto van een ontruimingskennisgeving
De tweede test richt zich op de native visie van Qwen4-Max. In plaats van zelf de tekst te extraheren, sturen we een foto van een ontruimingskennisgeving direct naar het model.
Ons sample is een Florida three-day notice met een eis van $1.850 aan achterstallige huur, of ontruiming van het pand uiterlijk 23 november 2026. Hier is de code:
Dit stuurt de foto rechtstreeks naar Qwen4-Max, dus er is geen aparte OCR-pipeline nodig. Voor een andere build die Qwens visie combineert met tool-calling, zie onze Qwen 3.6 Plus API-tutorial over factuurverwerking.
Output:
Figuur 4: De uitvoer van de analyzer voor de gefotografeerde ontruimingskennisgeving.
Het model begreep de foto, haalde het bedrag en de deadline eruit en identificeerde het type kennisgeving. Het gaf aan dat de opgehaalde juridische pagina onvoldoende informatie bevatte om het wetsartikel te verifiëren, en het zag lege velden voor handtekening en bezorging in het voorbeeld.
Wat deze test laat zien: Qwen4-Max kan gefotografeerde juridische documenten direct interpreteren, terwijl Qwen-Agent aanvullend onderzoek coördineert en onzekerheid communiceert.
Test 3: Een pdf met een sommatie
Voor de laatste test gebruiken we een tweepagina’s tellende sommatiebrief in pdf-formaat.
Het document verwijst naar 17 U.S.C. §§ 501 en 512, stelt auteursrechtschending vast en vraagt de ontvanger om de betwiste content te verwijderen en de naleving te bevestigen uiterlijk 28 november 2026. De pdf bevat selecteerbare tekst, dus we kunnen onze helper read_pdf() gebruiken. Hier is de code:
pdf_text = read_pdf("samples/legal.pdf")
Markdown(
analyze_notice(text=pdf_text))Mogelijk gemaakt door
Dit extraheert de inhoud van de pdf en stuurt de resulterende tekst naar dezelfde agent.
Output:
Figuur 5: De uitvoer van de analyzer voor de sommatiebrief.
De agent maakt correct onderscheid tussen een private juridische eis en een officiële kennisgeving van de overheid of de rechtbank. Hij herkent dat er geen geld wordt geëist en past zijn aanbevelingen aan. De onderzoekstool haalde een relevante pagina van het US Copyright Office op, die in de uiteindelijke bronnen verschijnt.
Wat deze test laat zien: Dezelfde agent kan pdf-correspondentie verwerken, de aard van een juridische eis vaststellen en passende vervolgstappen aanbevelen.
Mijn ervaring met Qwen4-Max: the good, the bad en the ugly
Na Qwen4-Max te hebben gebruikt voor dit project, andere agentic-toepassingen en vibe coding, is dit mijn eerlijke oordeel.
The good
Het Qwen-ecosysteem dekt veel terrein. Het omvat spraak-naar-tekst, tekst-naar-spraak, webzoek, webscraping en een open-source toolkit om agentic-toepassingen te bouwen zonder alles from scratch te implementeren.
Wat me het meest beviel, was hoe goed Qwen4-Max gedetailleerde instructies opvolgde. Het respecteerde over het algemeen de gevraagde outputstructuur, haalde datums uit documenten en produceerde in mijn tests accurate samenvattingen.
Het begrip van beelden viel op. Ik gaf het een foto van een juridische kennisgeving en het las de inhoud zonder extra OCR-pipeline, wat een grote hulp is voor documentzware agentic-toepassingen.
The bad
Snelheid was voor mij het grootste probleem. Qwen4-Max was niet mijn voorkeursmodel voor vibe coding: vergeleken met DeepSeek V4.1 Flash en andere modellen die ik testte, duurde het vaak merkbaar langer om eenvoudige taken af te ronden.
Ik zag regelmatig generatiesnelheden rond 100 tokens per seconde, maar dat verbergt de echte kost. Het model besteedde lang aan redeneren over eenvoudige wijzigingen, en soms vroeg ik om een simpele aanpassing en wachtte ik veel langer dan verwacht.
De native webzoekfunctie was het meest frustrerende deel. In mijn tests waren de reactietijden inconsistent: dezelfde query kon in seconden terugkomen of bijna een minuut duren, en sommige verzoeken liepen meer dan 400 seconden door zonder te voltooien.
Drie runs van mijn onderzoeksworkflow duurden bijna 16 minuten. Dat was niet betrouwbaar genoeg voor een applicatie die afhankelijk is van externe juridische informatie.
De native zoekfunctie vervangen door Olostep werd een noodzaak, wat ook betekende dat ik niet volledig op het Qwen-ecosysteem kon vertrouwen, zoals ik oorspronkelijk had gepland.
Ik stuitte op een ander probleem bij experimenteren met de DeepSeek Harness. Ik stelde een simpele vraag over onderzoek naar de aandelenmarkt, en de workflow deed er lang over voordat er een fout terugkwam. Dat was frustrerend voor zo’n eenvoudige taak.
Al met al heeft Qwen4-Max indrukwekkende capaciteiten, maar de redeneeroverhead en inconsistente native zoekfunctie zijn het overwegen waard voordat je er productieworkflows omheen bouwt. Als je verder wilt bouwen met Qwen-modellen, loopt onze Qwen 3.7 Max API-tutorial een zelfcontrolerende productiviteitsagent door.
Als gecertificeerd data scientist haal ik met passie het maximale uit de nieuwste technologie om innovatieve machinelearning-toepassingen te bouwen. Met een sterke achtergrond in spraakherkenning, data-analyse en -rapportage, MLOps, conversationele AI en NLP heb ik mijn vaardigheden aangescherpt in het ontwikkelen van intelligente systemen die echt impact maken. Naast mijn technische expertise ben ik ook een sterke communicator met een talent om complexe concepten terug te brengen tot heldere, beknopte taal. Daardoor ben ik uitgegroeid tot een veelgelezen blogger over data science, waar ik mijn inzichten en ervaringen deel met een groeiende community van data-professionals. Op dit moment richt ik me op contentcreatie en redactie, waarbij ik met large language models werk aan krachtige en aansprekende content die zowel bedrijven als individuen helpt het beste uit hun data te halen.
Heb je ooit een brief van de overheid gekregen en je afgevraagd of die echt was, of je moest reageren, of dat iemand je probeerde op te lichten?
Juridische kennisgevingen zijn lastig te lezen, zeker als ingewikkelde taal wordt gemengd met betalingsverzoeken en deadlines. Oplichters maken misbruik van die verwarring door overheidsinstanties te imiteren en een vals gevoel van urgentie te creëren.
In deze tutorial bouwen we een Amerikaanse analyzer voor juridische kennisgevingen met Qwen4-Max en het Qwen-Agent-framework. De applicatie accepteert tekst, afbeeldingen en pdf’s, markeert verdachte betaaltrucs en doorzoekt officiële juridische bronnen wanneer iets geverifieerd moet worden.
In plaats van volledig op een large language model (LLM) te vertrouwen, combineren we het met twee Python-tools. De eerste gebruikt reguliere expressies om veelvoorkomende oplichtingssignalen te vangen. De tweede gebruikt Olostep om officiële overheidswebsites en het Cornell Legal Information Institute (LII) te doorzoeken.
In een notendop
Wat is Qwen4-Max?
Qwen4-Max is Alibaba’s vlaggenschipmodel in de Qwen4-familie, gelanceerd op 16 november 2026. Het is een sparse mixture-of-experts (MoE)-model met architecturale verbeteringen, native visie en een groter contextvenster, ontworpen voor complex redeneren en agentic-toepassingen.
Dit zijn de belangrijkste features voor ons project:
Hier zijn de benchmarkresultaten uit Alibaba’s aankondiging, die laten zien dat Qwen4-Max Qwen3.8-Max verbetert op vrijwel elke capaciteit die Alibaba heeft geëvalueerd:
Figuur 1: Qwen4-Max-benchmarkresultaten. Afbeelding afkomstig van: Qwen, Qwen4-Max: Your New Teammate Has Arrived.
Hoe werkt de analyzer voor juridische kennisgevingen?
De analyzer is één Qwen-Agent-assistent die twee Python-tools coördineert, terwijl Qwen4-Max documentbegrip en redenering afhandelt. Voor we code schrijven, kijken we naar de workflow.
Figuur 2: De workflow van de analyzer voor juridische kennisgevingen.
De workflow heeft 6 stappen:
risk_gateaan om te controleren op verdachte betalingsinstructies, dreigementen en links.lookup_lawaan om officiële juridische bronnen te doorzoeken.De belangrijkste ontwerpkeuze is dat de LLM niet alles doet. Python verwerkt deterministische checks, Olostep verzorgt extern onderzoek en Qwen4-Max doet documentbegrip en redenering.
Zo blijft de workflow simpel terwijl de agent voor elke taak een tool heeft. Als agentterminologie nieuw voor je is, behandelt onze cursus Introduction to AI Agents de basis zonder dat je hoeft te coderen.
1. De omgeving opzetten
We gebruiken Jupyter Notebook, QwenCloud voor modeltoegang en Olostep voor webzoek en scraping.
Maak eerst een account aan op QwenCloud, voeg tegoed toe of neem een Token Plan-abonnement, en genereer een API-sleutel vanuit het dashboard. QwenCloud biedt een API-endpoint op basis van de door jou gekozen regio.
Je hebt ook een Olostep API-sleutel nodig voor juridisch onderzoek.
Stel je omgevingsvariabelen in de terminal in voordat je Jupyter Notebook start. Je kunt ze ook in de notebook instellen met
os.environ.Ik gebruik het Token Plan-endpoint, dat me korting geeft op de modellen. Als je pay-as-you-go gebruikt, neem je het endpoint dat QwenCloud voor jouw regio toont.
Installeer vervolgens de vereiste dependencies in je notebook:
De extra
ragvoegt documentverwerkingspakketten toe zoals pdfplumber, die we gebruiken om pdf’s te lezen. Vanaf versie 0.0.34 importeert Qwen-Agent ook soundfile en tqdm bij startup zonder ze als dependencies te declareren, dus we installeren beide expliciet.Qwen4-Max configureren
Vervolgens initialiseren we het model en de Olostep-client. Ik gebruik de regio Singapore, die ook een Token Plan biedt.
Dit configureert Qwen4-Max voor multimodale input, stelt een niveau voor redeneringsinspanning in, en initialiseert de onderzoeksclient. Let op dat
OLOSTEP_API_TIMEOUTvóór de import is gezet, omdat de SDK die instelling bij het laden leest.Enkele configuratie-opties zijn het begrijpen waard:
modelspecificeert het model dat we willen gebruiken.model_typelaat ons afbeeldingen sturen via de OpenAI-compatibele multimodale interface.model_serverwijst naar het endpoint uitQWEN_BASE_URL.max_tokensbeperkt de lengte van de gegenereerde respons.reasoning_effortbepaalt hoeveel redenering het model doet. We gebruikenlowom reacties snel te houden.OLOSTEP_API_TIMEOUTstelt een tijdslimiet in seconden in voor onderzoeksverzoeken.Herbruikbare agenthelpers maken
We verwerken zowel tekst- als afbeeldingsinvoer, dus laten we een herbruikbare functie maken om de agent te draaien.
Deze functie stuurt de prompt en optionele afbeeldingen naar Qwen-Agent, wacht op de uiteindelijke reactie en extraheert de gegenereerde tekst.
We hebben ook een helper nodig om pdf’s te lezen.
Deze functie extraheert selecteerbare tekst van elke pdf-pagina en voegt die samen tot één string.
Let op: pdfplumber voert geen OCR uit. Voor gescande pdf’s die alleen afbeeldingen bevatten, render je elke pagina als afbeelding en stuur je die direct naar Qwen4-Max.
2. Oplichtingsdetectie bouwen met een risicopoort
De eerste aangepaste tool identificeert verdacht gedrag. In plaats van de LLM te vragen elke verdachte betalingsinstructie te herkennen, kunnen we reguliere expressies gebruiken om bekende oplichtingstactieken te detecteren.
Dit is sneller, deterministisch en gebruikt geen modeltokens. Als je de syntax wilt opfrissen, behandelt onze cursus Regular Expressions in Python dit onderwerp.
Regels voor oplichtingsdetectie definiëren
We beginnen met een lijst reguliere expressies en een mapping tussen overheidsinstanties en hun officiële domeinen.
Deze code definieert de oplichtingsindicatoren en koppelt namen van instanties aan de domeinen die die instanties daadwerkelijk gebruiken. Als een kennisgeving bijvoorbeeld de IRS noemt, controleert de applicatie de links tegen irs.gov.
Domeinen extraheren en valideren
Vervolgens hebben we een helper nodig die de hostnaam uit een URL haalt.
Dit extraheert de hostnaam en controleert of het het officiële domein of een legitieme subdomein is. Dat onderscheid is belangrijk: een eenvoudige
endswith()-check zou fakeirs.gov als IRS-website accepteren.De risicopoorttool implementeren
Nu kunnen we deze regels combineren in een aangepaste Qwen-Agent-tool.
Deze tool scant de kennisgeving op overeenkomende patronen, controleert de URL’s tegen het officiële domein van de instantie en retourneert de verdachte indicatoren. Instantienamen worden als hele woorden gematcht, zodat „irs” niet triggert op een woord als „first”.
Onze fictieve IRS-kennisgeving uit Test 1 levert bijvoorbeeld op:
De agent ontvangt deze resultaten als onderdeel van zijn context en gebruikt ze bij het bepalen of de kennisgeving verdacht is.
3. De tool voor juridisch onderzoek maken
Onze tweede tool verzorgt extern onderzoek. We willen niet dat de agent willekeurige websites, forums of blogs van advocatenkantoren doorzoekt en alles wat hij vindt als gezaghebbend behandelt.
In plaats daarvan beperken we onderzoek tot officiële Amerikaanse overheidswebsites en het Cornell LII. We gebruiken Olostep omdat het meerdere resultaten in één verzoek kan zoeken en scrapen. Wil je het vergelijken met een andere optie, bekijk dan onze Firecrawl-tutorial.
Onderzoeksbeperkingen definiëren
Definieer eerst de toegestane bronnen en wat limieten op hoeveel we ophalen.
De functie
is_allowed_host()accepteert .gov-sites en Cornell LII. Ze hergebruiktis_official_domain(), zodat een lookalike zoals fakelaw.cornell.edu wordt afgewezen. We houden ook maximaal 2 pagina’s bij, met een maximum van 3.000 tekens per pagina.De LookupLaw-tool implementeren
Nu maken we de tweede aangepaste tool.
Deze tool stuurt een zoekverzoek naar Olostep, filtert de resultaten, extraheert de paginainhoud en retourneert de geselecteerde fragmenten aan Qwen4-Max.
Drie implementatiedetails zijn het vermelden waard:
self.sourceszodat de applicatie ze na de analyse kan tonen.4. De agent bouwen met Qwen-Agent en Qwen4-Max
We hebben nu beide aangepaste tools:
risk_gateidentificeert verdacht gedrag, enlookup_lawhaalt relevante juridische informatie op. Vervolgens maken we de agent die ze coördineert.Één systeemprompt definieert de workflow, de toolvolgorde en het responsformaat. Qwen-Agent is niet de enige optie voor dit soort build; onze cursus Developing LLM Applications with LangChain behandelt een ander framework.
De systeemprompt definiëren
Deze prompt definieert de verantwoordelijkheden van de agent en voorkomt dat die juridische informatie verzint. Eén instructie verdient extra aandacht: deadlines.
Een frauduleuze kennisgeving kan nog steeds een deadline bevatten, dus de agent moet rapporteren wat het document claimt en tegelijk uitleggen of die deadline geloofwaardig is.
De disclaimer en bronafhandeling toevoegen
We houden de disclaimer buiten de systeemprompt zodat Python die consistent kan toevoegen.
Dit geeft ons een fallbackbericht wanneer juridisch onderzoek geen officiële bron oplevert, en elke reactie bevat een juridische disclaimer.
De hoofdanalysefunctie maken
Tot slot koppelen we alles in één herbruikbare functie.
Deze functie maakt een nieuwe agent voor elk document, voert de analyse uit, verzamelt de opgehaalde bronnen en retourneert de uiteindelijke reactie. We maken
LookupLaw()binnen de functie zodat elke kennisgeving een eigen bronnenlijst krijgt.5. De analyzer voor juridische kennisgevingen testen
We hebben nu een werkende analyzer. Laten we hem testen op 3 voorbeelddocumenten:
Elke test benut een ander deel van de workflow.
Test 1: Een IRS-oplichtingsbrief
Ons eerste voorbeeld is een fictieve IRS-oplichtingsbrief. Die beweert dat de ontvanger $4.870 aan federale inkomstenbelasting verschuldigd is en binnen 24 uur moet betalen.
Er wordt ook gedreigd met arrestatie, betaling met cadeaubonnen of een overboeking geëist, en er staat een verdachte website in. Hier is de voorbeeldinput:
Dit maakt een fictieve kennisgeving aan en dient die in bij de agent voor analyse.
Output:
Figuur 3: De uitvoer van de analyzer voor de fictieve IRS-oplichtingsbrief.
De scanner vindt meerdere verdachte indicatoren en de agent slaat extern juridisch onderzoek over. Dat is wat we willen bij een duidelijke scam: de applicatie besteedt geen extra tokens aan onderzoek wanneer de deterministische checks al op fraude wijzen.
Wat deze test laat zien: De risicopoort kan veelvoorkomende oplichtingstactieken identificeren en de agent helpen onnodig extern onderzoek te vermijden.
Test 2: Een foto van een ontruimingskennisgeving
De tweede test richt zich op de native visie van Qwen4-Max. In plaats van zelf de tekst te extraheren, sturen we een foto van een ontruimingskennisgeving direct naar het model.
Ons sample is een Florida three-day notice met een eis van $1.850 aan achterstallige huur, of ontruiming van het pand uiterlijk 23 november 2026. Hier is de code:
Dit stuurt de foto rechtstreeks naar Qwen4-Max, dus er is geen aparte OCR-pipeline nodig. Voor een andere build die Qwens visie combineert met tool-calling, zie onze Qwen 3.6 Plus API-tutorial over factuurverwerking.
Output:
Figuur 4: De uitvoer van de analyzer voor de gefotografeerde ontruimingskennisgeving.
Het model begreep de foto, haalde het bedrag en de deadline eruit en identificeerde het type kennisgeving. Het gaf aan dat de opgehaalde juridische pagina onvoldoende informatie bevatte om het wetsartikel te verifiëren, en het zag lege velden voor handtekening en bezorging in het voorbeeld.
Wat deze test laat zien: Qwen4-Max kan gefotografeerde juridische documenten direct interpreteren, terwijl Qwen-Agent aanvullend onderzoek coördineert en onzekerheid communiceert.
Test 3: Een pdf met een sommatie
Voor de laatste test gebruiken we een tweepagina’s tellende sommatiebrief in pdf-formaat.
Het document verwijst naar 17 U.S.C. §§ 501 en 512, stelt auteursrechtschending vast en vraagt de ontvanger om de betwiste content te verwijderen en de naleving te bevestigen uiterlijk 28 november 2026. De pdf bevat selecteerbare tekst, dus we kunnen onze helper
read_pdf()gebruiken. Hier is de code:Dit extraheert de inhoud van de pdf en stuurt de resulterende tekst naar dezelfde agent.
Output:
Figuur 5: De uitvoer van de analyzer voor de sommatiebrief.
De agent maakt correct onderscheid tussen een private juridische eis en een officiële kennisgeving van de overheid of de rechtbank. Hij herkent dat er geen geld wordt geëist en past zijn aanbevelingen aan. De onderzoekstool haalde een relevante pagina van het US Copyright Office op, die in de uiteindelijke bronnen verschijnt.
Wat deze test laat zien: Dezelfde agent kan pdf-correspondentie verwerken, de aard van een juridische eis vaststellen en passende vervolgstappen aanbevelen.
Mijn ervaring met Qwen4-Max: the good, the bad en the ugly
Na Qwen4-Max te hebben gebruikt voor dit project, andere agentic-toepassingen en vibe coding, is dit mijn eerlijke oordeel.
The good
Het Qwen-ecosysteem dekt veel terrein. Het omvat spraak-naar-tekst, tekst-naar-spraak, webzoek, webscraping en een open-source toolkit om agentic-toepassingen te bouwen zonder alles from scratch te implementeren.
Wat me het meest beviel, was hoe goed Qwen4-Max gedetailleerde instructies opvolgde. Het respecteerde over het algemeen de gevraagde outputstructuur, haalde datums uit documenten en produceerde in mijn tests accurate samenvattingen.
Het begrip van beelden viel op. Ik gaf het een foto van een juridische kennisgeving en het las de inhoud zonder extra OCR-pipeline, wat een grote hulp is voor documentzware agentic-toepassingen.
The bad
Snelheid was voor mij het grootste probleem. Qwen4-Max was niet mijn voorkeursmodel voor vibe coding: vergeleken met DeepSeek V4.1 Flash en andere modellen die ik testte, duurde het vaak merkbaar langer om eenvoudige taken af te ronden.
Ik zag regelmatig generatiesnelheden rond 100 tokens per seconde, maar dat verbergt de echte kost. Het model besteedde lang aan redeneren over eenvoudige wijzigingen, en soms vroeg ik om een simpele aanpassing en wachtte ik veel langer dan verwacht.
Als je zelf de snellere optie wilt proberen, behandelen we die in onze DeepSeek V4.1 Flash API-tutorial.
The ugly
De native webzoekfunctie was het meest frustrerende deel. In mijn tests waren de reactietijden inconsistent: dezelfde query kon in seconden terugkomen of bijna een minuut duren, en sommige verzoeken liepen meer dan 400 seconden door zonder te voltooien.
Drie runs van mijn onderzoeksworkflow duurden bijna 16 minuten. Dat was niet betrouwbaar genoeg voor een applicatie die afhankelijk is van externe juridische informatie.
De native zoekfunctie vervangen door Olostep werd een noodzaak, wat ook betekende dat ik niet volledig op het Qwen-ecosysteem kon vertrouwen, zoals ik oorspronkelijk had gepland.
Ik stuitte op een ander probleem bij experimenteren met de DeepSeek Harness. Ik stelde een simpele vraag over onderzoek naar de aandelenmarkt, en de workflow deed er lang over voordat er een fout terugkwam. Dat was frustrerend voor zo’n eenvoudige taak.
Al met al heeft Qwen4-Max indrukwekkende capaciteiten, maar de redeneeroverhead en inconsistente native zoekfunctie zijn het overwegen waard voordat je er productieworkflows omheen bouwt. Als je verder wilt bouwen met Qwen-modellen, loopt onze Qwen 3.7 Max API-tutorial een zelfcontrolerende productiviteitsagent door.