Учебник по Qwen4-Max: создаём анализатор юридических уведомлений
Создайте анализатор юридических уведомлений США с Qwen4-Max, Qwen-Agent и Olostep. Помечайте мошенничество, читайте фото и PDF, проверяйте заявления по официальным источникам.
Получали ли вы когда-нибудь письмо якобы от госоргана и сомневались, настоящее ли оно, нужно ли отвечать или это попытка мошенничества?
Юридические уведомления трудно читать, особенно когда сложный язык сочетается с требованиями оплаты и жёсткими сроками. Мошенники пользуются этой путаницей, выдавая себя за госструктуры и создавая ложное чувство срочности.
В этом руководстве мы построим анализатор юридических уведомлений США с использованием Qwen4-Max и фреймворка Qwen-Agent. Приложение принимает текст, изображения и PDF, помечает подозрительные способы оплаты и обращается к официальным правовым ресурсам, когда нужно что-то проверить.
Вместо полной опоры на большую языковую модель (LLM) мы дополним её двумя инструментами на Python. Первый использует регулярные выражения для выявления типичных признаков мошенничества. Второй применяет Olostep для поиска по официальным сайтам правительства и по Cornell Legal Information Institute (LII).
Коротко
Мы создаём анализатор уведомлений на базе Qwen4-Max, Qwen-Agent и Olostep, принимающий текст, фото и PDF.
Регекс-фильтр рисков помечает мошеннические паттерны и поддельные домены до того, как модель начнёт исследование.
Инструмент для исследования ограничивает запросы сайтами на .gov и Cornell LII, а агент пропускает исследование, если уведомление явно фиктивно.
В моих тестах Qwen4-Max хорошо читал сфотографированные уведомления, но был медленным на простых задачах, а его встроенный веб-поиск оказался ненадёжным.
Что такое Qwen4-Max?
Qwen4-Max — флагманская модель Alibaba в семействе Qwen4, представленная 16 ноября 2026 года. Это разреженная модель со смешением экспертов (MoE) с архитектурными улучшениями, нативным зрением и увеличенным контекстным окном, предназначенная для сложных рассуждений и агентных приложений.
Ключевые возможности для нашего проекта:
Разреженная архитектура MoE: у Qwen4-Max 2,4T параметров «каркаса», 71B активных на токен и дополнительные 328B параметров N-gram эмбеддингов. Слои Gated DeltaNet и Qwen Sparse Attention снижают стоимость работы с длинным контекстом.
Нативное зрение: модель читает изображения напрямую, поэтому можно отправить фотографию уведомления без отдельного OCR-конвейера.
Контекстное окно на 1М токенов: достаточно для длинных документов и большого объёма сопроводительной информации.
Лучшая эффективность по токенам: по данным Alibaba, Qwen4-Max использует примерно на 35% меньше токенов, чем Qwen3.8-Max, на Work360 при высоком уровне рассуждений и примерно на 49% меньше на Terminal-Bench 4.0. На уровне Xhigh сокращение составляет примерно 24% и 48% соответственно.
Ниже стоимость задач: на Work360 Qwen4-Max набрал 52,69 против 47,74 у Qwen3.8-Max, при этом средняя стоимость задачи снизилась с $4,43 до $1,67, то есть на 62%.
Ниже результаты бенчмарков из анонса Alibaba, которые показывают улучшение Qwen4-Max по сравнению с Qwen3.8-Max почти по всем оценённым возможностям:
Анализатор — это одиночный ассистент Qwen-Agent, который координирует два инструмента на Python, а Qwen4-Max отвечает за понимание документов и рассуждения. Прежде чем писать код, посмотрим на рабочий процесс.
Рисунок 2: Рабочий процесс анализатора юридических уведомлений.
Процесс состоит из 6 шагов:
Пользователь отправляет уведомление в виде текста, изображения или PDF.
Qwen4-Max читает документ и выделяет его основное содержание.
Агент вызывает risk_gate для проверки подозрительных инструкций по оплате, угроз и ссылок.
Если документ явно мошеннический, агент пропускает внешнее исследование.
Иначе агент вызывает lookup_law для поиска по официальным правовым ресурсам.
Qwen4-Max формирует структурированный ответ с вердиктом, кратким изложением, доказательствами и рекомендуемыми следующими шагами.
Ключевое решение — не заставлять LLM делать всё. Python выполняет детерминированные проверки, Olostep — внешние исследования, а Qwen4-Max — понимание документа и рассуждения.
Так рабочий процесс остаётся простым, а у агента есть подходящий инструмент для каждой задачи. Если терминология агентных систем для вас нова, в нашем курсе Introduction to AI Agents разбираются основы без необходимости писать код.
1. Настройка окружения
Мы будем использовать Jupyter Notebook, QwenCloud для доступа к моделям и Olostep для веб-поиска и скрейпинга.
Сначала создайте аккаунт на QwenCloud, пополните баланс или подключите Token Plan и сгенерируйте ключ API в консоли. QwenCloud предоставляет конечную точку API в зависимости от выбранного региона.
Задайте переменные окружения в терминале перед запуском Jupyter Notebook. Их можно задать и внутри ноутбука через 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"Работает на
Я использую конечную точку Token Plan — она даёт льготный доступ к моделям. Если вы платите по факту, используйте конечную точку, которую QwenCloud показывает для вашего региона.
Далее установите необходимые зависимости в ноутбуке:
%pip install -q "qwen-agent[rag]" olostep soundfile tqdmРаботает на
Экстра rag добавляет пакеты для обработки документов, такие как pdfplumber, который мы используем для чтения PDF. Начиная с версии 0.0.34, Qwen-Agent также импортирует soundfile и tqdm при старте, не указывая их как зависимости, поэтому мы устанавливаем их явно.
Настройка Qwen4-Max
Далее инициализируем модель и клиент Olostep. Я использую регион Сингапур, в котором тоже доступен 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"])Работает на
Это настраивает Qwen4-Max для мультимодального ввода, задаёт уровень «усилий на рассуждения» и инициализирует клиент для исследований. Обратите внимание: OLOSTEP_API_TIMEOUT задаётся до импорта, так как SDK читает его при загрузке.
Несколько параметров конфигурации стоит понимать:
model указывает используемую модель.
model_type позволяет отправлять изображения через совместимый с OpenAI мультимодальный интерфейс.
model_server указывает конечную точку из QWEN_BASE_URL.
max_tokens ограничивает длину сгенерированного ответа.
reasoning_effort управляет глубиной рассуждений модели. Мы используем low, чтобы ускорить ответы.
OLOSTEP_API_TIMEOUT задаёт лимит времени в секундах для исследовательских запросов.
Создание вспомогательных функций агента
Мы будем обрабатывать и текст, и изображения, поэтому создадим переиспользуемую функцию запуска агента.
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,)Работает на
Эта функция отправляет подсказку и, при необходимости, изображения в Qwen-Agent, ждёт финального ответа и извлекает сгенерированный текст.
Нужен и помощник для чтения PDF.
defread_pdf(path):import pdfplumber
with pdfplumber.open(path)as pdf:return"\n".join(
page.extract_text()or""for page in pdf.pages
)Работает на
Эта функция извлекает выделяемый текст с каждой страницы PDF и объединяет его в одну строку.
Примечание: pdfplumber не выполняет OCR. Для отсканированных PDF, где есть только изображения, отрисуйте каждую страницу как картинку и отправьте её напрямую в Qwen4-Max.
2. Построение обнаружения мошенничества с «фильтром рисков»
Первый кастомный инструмент выявляет подозрительное поведение. Вместо того чтобы просить LLM распознавать каждую возможную инструкцию по оплате, мы можем использовать регулярные выражения для обнаружения известных тактик мошенников.
Это быстрее, детерминировано и не расходует токены модели. Если нужна «освежалка» по синтаксису, см. наш курс Regular Expressions in Python.
Определение правил выявления мошенничества
Начнём со списка регулярных выражений и соответствия между госагентствами и их официальными доменами.
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)\"'<>]+")Работает на
Этот код задаёт индикаторы мошенничества и сопоставляет названия агентств с доменами, которые они действительно используют. Например, если в уведомлении упоминается IRS, приложение проверяет его ссылки на соответствие irs.gov.
Извлечение и проверка доменов
Далее нужен помощник, который извлекает имя хоста из 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)Работает на
Это извлекает хост и проверяет, является ли он официальным доменом или корректным поддоменом. Это важно: простая проверка endswith() могла бы принять fakeirs.gov за сайт IRS.
Реализация инструмента «фильтр рисков»
Теперь объединим эти правила в пользовательский инструмент 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"Работает на
Этот инструмент сканирует уведомление на совпадения с паттернами, проверяет его URL на соответствие официальному домену агентства и возвращает найденные подозрительные признаки. Названия агентств сопоставляются по целым словам, поэтому «irs» не сработает на слове «first».
Например, наше вымышленное письмо из IRS в Тесте 1 даёт:
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.govРаботает на
Агент получает эти результаты как часть контекста и использует их при оценке подозрительности уведомления.
3. Создание инструмента правового исследования
Второй инструмент отвечает за внешние исследования. Мы не хотим, чтобы агент искал на случайных сайтах, форумах или блогах юрфирм и воспринимал всё найденное как авторитетное.
Вместо этого ограничим исследования официальными сайтами правительства США и Cornell LII. Используем Olostep, потому что он может искать и скрейпить несколько результатов одним запросом. Если хотите сравнить с другим вариантом, см. наш учебник по Firecrawl.
Определение ограничений исследований
Сначала зададим разрешённые источники и лимиты на объём забираемых данных.
defis_allowed_host(host):return host.endswith(".gov")or is_official_domain(
host,"law.cornell.edu")
MAX_PAGES =2
PAGE_CHARS =3000Работает на
Функция is_allowed_host() допускает сайты .gov и Cornell LII. Она переиспользует is_official_domain(), поэтому подделка вроде fakelaw.cornell.edu будет отклонена. Мы также оставляем не более 2 страниц, максимум по 3 000 символов на страницу.
Реализация инструмента LookupLaw
Теперь создадим второй пользовательский инструмент.
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.")Работает на
Инструмент отправляет поисковый запрос в Olostep, фильтрует результаты, извлекает содержимое страниц и возвращает отобранные выдержки в Qwen4-Max.
Три важных момента реализации:
Получаем до 5 результатов поиска, но оставляем не более 2 подходящих страниц.
Предпочитаем «соскобленный» Markdown и при необходимости используем описание страницы.
Сохраняем полученные URL в self.sources, чтобы приложение могло показать их после анализа.
4. Сборка агента на Qwen-Agent и Qwen4-Max
Теперь у нас есть оба кастомных инструмента: risk_gate выявляет подозрительное поведение, а lookup_law находит релевантную правовую информацию. Далее создадим агента, который их координирует.
Единственный системный промпт определяет рабочий процесс, порядок инструментов и формат ответа. Qwen-Agent — не единственный вариант для такого решения; в нашем курсе Developing LLM Applications with LangChain разбирается другая платформа.
Определение системного промпта
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."""Работает на
Этот промпт задаёт обязанности агента и не даёт ему придумывать правовую информацию. Особого внимания заслуживает указание по срокам.
Мошенническое уведомление тоже может содержать срок, поэтому агент должен сообщить о заявленном сроке и объяснить, насколько он достоверен.
Добавление отказа от ответственности и обработки источников
Мы держим отказ от ответственности вне системного промпта, чтобы Python добавлял его стабильно.
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.")Работает на
Это даёт нам сообщение-заглушку, когда правовое исследование не возвращает официального источника, и каждый ответ сопровождается юридическим дисклеймером.
Создание основной функции анализа
Наконец, соединим всё в одну переиспользуемую функцию.
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}")Работает на
Эта функция создаёт нового агента для каждого документа, запускает анализ, собирает найденные источники и возвращает финальный ответ. Мы создаём LookupLaw() внутри функции, чтобы у каждого уведомления был свой список источников.
Теперь у нас есть рабочий анализатор. Протестируем его на 3 примерах:
Вымышленное письмо-мошенничество от IRS.
Фотография уведомления о выселении во Флориде.
PDF с требованием прекратить нарушения (cease and desist).
Каждый тест проверяет разную часть процесса.
Тест 1: Письмо-мошенничество «от IRS»
Первый пример — вымышленное письмо-мошенничество от IRS. В нём говорится, что получатель должен $4 870 по федеральному подоходному налогу и обязан заплатить в течение 24 часов.
Также оно грозит арестом, требует оплату подарочными картами или банковским переводом и содержит подозрительный сайт. Вот пример входных данных:
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))Работает на
Это создаёт вымышленное уведомление и отправляет его агенту на анализ.
Вывод:
Рисунок 3: Вывод анализатора для вымышленного письма «от IRS».
Сканер находит несколько подозрительных признаков, и агент пропускает внешние правовые исследования. Это то, что нужно для очевидного мошенничества: приложение не тратит лишние токены на исследования, когда детерминированные проверки уже указывают на подлог.
Что показывает этот тест: фильтр рисков выявляет типичные тактики мошенников и помогает агенту избегать ненужных внешних исследований.
Тест 2: Фотография уведомления о выселении
Второй тест сосредоточен на нативном зрении Qwen4-Max. Вместо того чтобы самостоятельно извлекать текст, мы отправляем модельке фотографию уведомления.
Наш пример — трёхдневное уведомление во Флориде с требованием оплатить $1 850 арендной задолженности или освободить жильё до 23 ноября 2026 года. Код:
Markdown(
analyze_notice(
images=["samples/eviction.png"]))Работает на
Фотография отправляется прямо в Qwen4-Max, отдельный OCR-конвейер не нужен. Другой пример, где сочетаются зрение Qwen и вызовы инструментов, см. в нашем руководстве по Qwen 3.6 Plus API для обработки счетов.
Вывод:
Рисунок 4: Вывод анализатора для сфотографированного уведомления о выселении.
Модель разобрала фотографию, извлекла сумму и срок и определила тип уведомления. Она отметила, что найденная официальная страница не содержит достаточно информации для подтверждения статьи, и заметила пустые поля подписи и вручения в образце документа.
Что показывает этот тест: Qwen4-Max может напрямую интерпретировать сфотографированные юридические документы, а Qwen-Agent координирует дополнительные исследования и корректно сообщает о неопределённости.
Тест 3: PDF с требованием прекратить нарушения
В финальном тесте используем двухстраничный PDF с требованием прекратить нарушения (cease and desist).
Документ ссылается на 17 U.S.C. §§ 501 и 512, утверждает нарушение авторских прав и просит удалить спорный контент и подтвердить выполнение до 28 ноября 2026 года. В PDF есть выделяемый текст, поэтому используем наш помощник read_pdf(). Код:
pdf_text = read_pdf("samples/legal.pdf")
Markdown(
analyze_notice(text=pdf_text))Работает на
Это извлекает содержимое PDF и отправляет полученный текст тому же агенту.
Вывод:
Рисунок 5: Вывод анализатора для письма с требованием прекратить нарушения.
Агент корректно различает частное юридическое требование и официальное уведомление госоргана или суда. Он распознаёт, что денег не требуют, и подстраивает рекомендации. Инструмент исследования нашёл релевантную страницу Бюро по авторским правам США, которая появляется в итоговых источниках.
Что показывает этот тест: Тот же агент справляется с PDF-перепиской, определяет характер юридического требования и предлагает уместные следующие шаги.
Мой опыт с Qwen4-Max: плюсы, минусы и неприятные моменты
После использования Qwen4-Max для этого проекта, других агентных приложений и «vibe coding» — вот честная оценка.
Плюсы
Экосистема Qwen охватывает многое: распознавание речи, синтез речи, веб-поиск, веб-скрейпинг и открытый инструментарий для сборки агентных приложений без необходимости всё реализовывать с нуля.
Больше всего понравилось, насколько точно Qwen4-Max следует подробным инструкциям. В моих тестах он обычно соблюдал запрошенную структуру вывода, извлекал даты из документов и создавал точные резюме.
Сильно выделилось понимание изображений. Я отправлял фотографию юридического уведомления, и модель читала содержимое без отдельного OCR-пайплайна, что очень помогает в документно-насыщенных агентных приложениях.
Минусы
Скорость стала главным минусом. Qwen4-Max не был моей моделью по умолчанию для «vibe coding»: по сравнению с DeepSeek V4.1 Flash и другими протестированными моделями он часто заметно дольше выполнял простые задачи.
Я регулярно видел скорость генерации около 100 токенов в секунду, но это скрывает реальную проблему. Модель долго «размышляла» над очевидными изменениями: иногда просишь простой правки — а ждать приходится гораздо дольше ожидаемого.
Самым раздражающим оказался нативный веб-поиск. В моих тестах время отклика было нестабильным: один и тот же запрос мог вернуться за секунды или занять почти минуту, а некоторые запросы выполнялись более 400 секунд и не завершались.
Три прогона моего исследовательского пайплайна заняли почти 16 минут. Этого недостаточно для приложения, зависящего от внешней правовой информации.
Заменить нативный поиск на Olostep стало необходимостью, а значит, не получилось полностью опираться на экосистему Qwen, как планировалось изначально.
Столкнулся с ещё одной проблемой при экспериментах с DeepSeek Harness. Я задал простой вопрос о исследовании фондового рынка, и рабочий процесс долго обрабатывал запрос, а затем вернул ошибку. Для такой простой задачи это разочаровывает.
В целом, у Qwen4-Max впечатляющие возможности, но накладные расходы на рассуждения и нестабильный нативный поиск стоит учитывать, прежде чем строить вокруг него производственные рабочие процессы. Если хотите продолжить с моделями Qwen, наш учебник по Qwen 3.7 Max API показывает самопроверяющегося productivity-агента.
Научитесь использовать ИИ как старшего инженерного партнёра для анализа кода, оптимизации производительности, безопасности и решений по архитектуре ПО.
Получали ли вы когда-нибудь письмо якобы от госоргана и сомневались, настоящее ли оно, нужно ли отвечать или это попытка мошенничества?
Юридические уведомления трудно читать, особенно когда сложный язык сочетается с требованиями оплаты и жёсткими сроками. Мошенники пользуются этой путаницей, выдавая себя за госструктуры и создавая ложное чувство срочности.
В этом руководстве мы построим анализатор юридических уведомлений США с использованием Qwen4-Max и фреймворка Qwen-Agent. Приложение принимает текст, изображения и PDF, помечает подозрительные способы оплаты и обращается к официальным правовым ресурсам, когда нужно что-то проверить.
Вместо полной опоры на большую языковую модель (LLM) мы дополним её двумя инструментами на Python. Первый использует регулярные выражения для выявления типичных признаков мошенничества. Второй применяет Olostep для поиска по официальным сайтам правительства и по Cornell Legal Information Institute (LII).
Коротко
Что такое Qwen4-Max?
Qwen4-Max — флагманская модель Alibaba в семействе Qwen4, представленная 16 ноября 2026 года. Это разреженная модель со смешением экспертов (MoE) с архитектурными улучшениями, нативным зрением и увеличенным контекстным окном, предназначенная для сложных рассуждений и агентных приложений.
Ключевые возможности для нашего проекта:
Ниже результаты бенчмарков из анонса Alibaba, которые показывают улучшение Qwen4-Max по сравнению с Qwen3.8-Max почти по всем оценённым возможностям:
Рисунок 1: Результаты бенчмарков Qwen4-Max. Источник изображения: Qwen, Qwen4-Max: Your New Teammate Has Arrived.
Как работает анализатор юридических уведомлений?
Анализатор — это одиночный ассистент Qwen-Agent, который координирует два инструмента на Python, а Qwen4-Max отвечает за понимание документов и рассуждения. Прежде чем писать код, посмотрим на рабочий процесс.
Рисунок 2: Рабочий процесс анализатора юридических уведомлений.
Процесс состоит из 6 шагов:
risk_gateдля проверки подозрительных инструкций по оплате, угроз и ссылок.lookup_lawдля поиска по официальным правовым ресурсам.Ключевое решение — не заставлять LLM делать всё. Python выполняет детерминированные проверки, Olostep — внешние исследования, а Qwen4-Max — понимание документа и рассуждения.
Так рабочий процесс остаётся простым, а у агента есть подходящий инструмент для каждой задачи. Если терминология агентных систем для вас нова, в нашем курсе Introduction to AI Agents разбираются основы без необходимости писать код.
1. Настройка окружения
Мы будем использовать Jupyter Notebook, QwenCloud для доступа к моделям и Olostep для веб-поиска и скрейпинга.
Сначала создайте аккаунт на QwenCloud, пополните баланс или подключите Token Plan и сгенерируйте ключ API в консоли. QwenCloud предоставляет конечную точку API в зависимости от выбранного региона.
Также понадобится API-ключ Olostep для правовых исследований.
Задайте переменные окружения в терминале перед запуском Jupyter Notebook. Их можно задать и внутри ноутбука через
os.environ.Я использую конечную точку Token Plan — она даёт льготный доступ к моделям. Если вы платите по факту, используйте конечную точку, которую QwenCloud показывает для вашего региона.
Далее установите необходимые зависимости в ноутбуке:
Экстра
ragдобавляет пакеты для обработки документов, такие как pdfplumber, который мы используем для чтения PDF. Начиная с версии 0.0.34, Qwen-Agent также импортирует soundfile и tqdm при старте, не указывая их как зависимости, поэтому мы устанавливаем их явно.Настройка Qwen4-Max
Далее инициализируем модель и клиент Olostep. Я использую регион Сингапур, в котором тоже доступен Token Plan.
Это настраивает Qwen4-Max для мультимодального ввода, задаёт уровень «усилий на рассуждения» и инициализирует клиент для исследований. Обратите внимание:
OLOSTEP_API_TIMEOUTзадаётся до импорта, так как SDK читает его при загрузке.Несколько параметров конфигурации стоит понимать:
modelуказывает используемую модель.model_typeпозволяет отправлять изображения через совместимый с OpenAI мультимодальный интерфейс.model_serverуказывает конечную точку изQWEN_BASE_URL.max_tokensограничивает длину сгенерированного ответа.reasoning_effortуправляет глубиной рассуждений модели. Мы используемlow, чтобы ускорить ответы.OLOSTEP_API_TIMEOUTзадаёт лимит времени в секундах для исследовательских запросов.Создание вспомогательных функций агента
Мы будем обрабатывать и текст, и изображения, поэтому создадим переиспользуемую функцию запуска агента.
Эта функция отправляет подсказку и, при необходимости, изображения в Qwen-Agent, ждёт финального ответа и извлекает сгенерированный текст.
Нужен и помощник для чтения PDF.
Эта функция извлекает выделяемый текст с каждой страницы PDF и объединяет его в одну строку.
Примечание: pdfplumber не выполняет OCR. Для отсканированных PDF, где есть только изображения, отрисуйте каждую страницу как картинку и отправьте её напрямую в Qwen4-Max.
2. Построение обнаружения мошенничества с «фильтром рисков»
Первый кастомный инструмент выявляет подозрительное поведение. Вместо того чтобы просить LLM распознавать каждую возможную инструкцию по оплате, мы можем использовать регулярные выражения для обнаружения известных тактик мошенников.
Это быстрее, детерминировано и не расходует токены модели. Если нужна «освежалка» по синтаксису, см. наш курс Regular Expressions in Python.
Определение правил выявления мошенничества
Начнём со списка регулярных выражений и соответствия между госагентствами и их официальными доменами.
Этот код задаёт индикаторы мошенничества и сопоставляет названия агентств с доменами, которые они действительно используют. Например, если в уведомлении упоминается IRS, приложение проверяет его ссылки на соответствие irs.gov.
Извлечение и проверка доменов
Далее нужен помощник, который извлекает имя хоста из URL.
Это извлекает хост и проверяет, является ли он официальным доменом или корректным поддоменом. Это важно: простая проверка
endswith()могла бы принять fakeirs.gov за сайт IRS.Реализация инструмента «фильтр рисков»
Теперь объединим эти правила в пользовательский инструмент Qwen-Agent.
Этот инструмент сканирует уведомление на совпадения с паттернами, проверяет его URL на соответствие официальному домену агентства и возвращает найденные подозрительные признаки. Названия агентств сопоставляются по целым словам, поэтому «irs» не сработает на слове «first».
Например, наше вымышленное письмо из IRS в Тесте 1 даёт:
Агент получает эти результаты как часть контекста и использует их при оценке подозрительности уведомления.
3. Создание инструмента правового исследования
Второй инструмент отвечает за внешние исследования. Мы не хотим, чтобы агент искал на случайных сайтах, форумах или блогах юрфирм и воспринимал всё найденное как авторитетное.
Вместо этого ограничим исследования официальными сайтами правительства США и Cornell LII. Используем Olostep, потому что он может искать и скрейпить несколько результатов одним запросом. Если хотите сравнить с другим вариантом, см. наш учебник по Firecrawl.
Определение ограничений исследований
Сначала зададим разрешённые источники и лимиты на объём забираемых данных.
Функция
is_allowed_host()допускает сайты .gov и Cornell LII. Она переиспользуетis_official_domain(), поэтому подделка вроде fakelaw.cornell.edu будет отклонена. Мы также оставляем не более 2 страниц, максимум по 3 000 символов на страницу.Реализация инструмента LookupLaw
Теперь создадим второй пользовательский инструмент.
Инструмент отправляет поисковый запрос в Olostep, фильтрует результаты, извлекает содержимое страниц и возвращает отобранные выдержки в Qwen4-Max.
Три важных момента реализации:
self.sources, чтобы приложение могло показать их после анализа.4. Сборка агента на Qwen-Agent и Qwen4-Max
Теперь у нас есть оба кастомных инструмента:
risk_gateвыявляет подозрительное поведение, аlookup_lawнаходит релевантную правовую информацию. Далее создадим агента, который их координирует.Единственный системный промпт определяет рабочий процесс, порядок инструментов и формат ответа. Qwen-Agent — не единственный вариант для такого решения; в нашем курсе Developing LLM Applications with LangChain разбирается другая платформа.
Определение системного промпта
Этот промпт задаёт обязанности агента и не даёт ему придумывать правовую информацию. Особого внимания заслуживает указание по срокам.
Мошенническое уведомление тоже может содержать срок, поэтому агент должен сообщить о заявленном сроке и объяснить, насколько он достоверен.
Добавление отказа от ответственности и обработки источников
Мы держим отказ от ответственности вне системного промпта, чтобы Python добавлял его стабильно.
Это даёт нам сообщение-заглушку, когда правовое исследование не возвращает официального источника, и каждый ответ сопровождается юридическим дисклеймером.
Создание основной функции анализа
Наконец, соединим всё в одну переиспользуемую функцию.
Эта функция создаёт нового агента для каждого документа, запускает анализ, собирает найденные источники и возвращает финальный ответ. Мы создаём
LookupLaw()внутри функции, чтобы у каждого уведомления был свой список источников.5. Тестирование анализатора юридических уведомлений
Теперь у нас есть рабочий анализатор. Протестируем его на 3 примерах:
Каждый тест проверяет разную часть процесса.
Тест 1: Письмо-мошенничество «от IRS»
Первый пример — вымышленное письмо-мошенничество от IRS. В нём говорится, что получатель должен $4 870 по федеральному подоходному налогу и обязан заплатить в течение 24 часов.
Также оно грозит арестом, требует оплату подарочными картами или банковским переводом и содержит подозрительный сайт. Вот пример входных данных:
Это создаёт вымышленное уведомление и отправляет его агенту на анализ.
Вывод:
Рисунок 3: Вывод анализатора для вымышленного письма «от IRS».
Сканер находит несколько подозрительных признаков, и агент пропускает внешние правовые исследования. Это то, что нужно для очевидного мошенничества: приложение не тратит лишние токены на исследования, когда детерминированные проверки уже указывают на подлог.
Что показывает этот тест: фильтр рисков выявляет типичные тактики мошенников и помогает агенту избегать ненужных внешних исследований.
Тест 2: Фотография уведомления о выселении
Второй тест сосредоточен на нативном зрении Qwen4-Max. Вместо того чтобы самостоятельно извлекать текст, мы отправляем модельке фотографию уведомления.
Наш пример — трёхдневное уведомление во Флориде с требованием оплатить $1 850 арендной задолженности или освободить жильё до 23 ноября 2026 года. Код:
Фотография отправляется прямо в Qwen4-Max, отдельный OCR-конвейер не нужен. Другой пример, где сочетаются зрение Qwen и вызовы инструментов, см. в нашем руководстве по Qwen 3.6 Plus API для обработки счетов.
Вывод:
Рисунок 4: Вывод анализатора для сфотографированного уведомления о выселении.
Модель разобрала фотографию, извлекла сумму и срок и определила тип уведомления. Она отметила, что найденная официальная страница не содержит достаточно информации для подтверждения статьи, и заметила пустые поля подписи и вручения в образце документа.
Что показывает этот тест: Qwen4-Max может напрямую интерпретировать сфотографированные юридические документы, а Qwen-Agent координирует дополнительные исследования и корректно сообщает о неопределённости.
Тест 3: PDF с требованием прекратить нарушения
В финальном тесте используем двухстраничный PDF с требованием прекратить нарушения (cease and desist).
Документ ссылается на 17 U.S.C. §§ 501 и 512, утверждает нарушение авторских прав и просит удалить спорный контент и подтвердить выполнение до 28 ноября 2026 года. В PDF есть выделяемый текст, поэтому используем наш помощник
read_pdf(). Код:Это извлекает содержимое PDF и отправляет полученный текст тому же агенту.
Вывод:
Рисунок 5: Вывод анализатора для письма с требованием прекратить нарушения.
Агент корректно различает частное юридическое требование и официальное уведомление госоргана или суда. Он распознаёт, что денег не требуют, и подстраивает рекомендации. Инструмент исследования нашёл релевантную страницу Бюро по авторским правам США, которая появляется в итоговых источниках.
Что показывает этот тест: Тот же агент справляется с PDF-перепиской, определяет характер юридического требования и предлагает уместные следующие шаги.
Мой опыт с Qwen4-Max: плюсы, минусы и неприятные моменты
После использования Qwen4-Max для этого проекта, других агентных приложений и «vibe coding» — вот честная оценка.
Плюсы
Экосистема Qwen охватывает многое: распознавание речи, синтез речи, веб-поиск, веб-скрейпинг и открытый инструментарий для сборки агентных приложений без необходимости всё реализовывать с нуля.
Больше всего понравилось, насколько точно Qwen4-Max следует подробным инструкциям. В моих тестах он обычно соблюдал запрошенную структуру вывода, извлекал даты из документов и создавал точные резюме.
Сильно выделилось понимание изображений. Я отправлял фотографию юридического уведомления, и модель читала содержимое без отдельного OCR-пайплайна, что очень помогает в документно-насыщенных агентных приложениях.
Минусы
Скорость стала главным минусом. Qwen4-Max не был моей моделью по умолчанию для «vibe coding»: по сравнению с DeepSeek V4.1 Flash и другими протестированными моделями он часто заметно дольше выполнял простые задачи.
Я регулярно видел скорость генерации около 100 токенов в секунду, но это скрывает реальную проблему. Модель долго «размышляла» над очевидными изменениями: иногда просишь простой правки — а ждать приходится гораздо дольше ожидаемого.
Если хотите сами попробовать более быстрый вариант, мы разбираем его в руководстве по DeepSeek V4.1 Flash API.
Неприятные моменты
Самым раздражающим оказался нативный веб-поиск. В моих тестах время отклика было нестабильным: один и тот же запрос мог вернуться за секунды или занять почти минуту, а некоторые запросы выполнялись более 400 секунд и не завершались.
Три прогона моего исследовательского пайплайна заняли почти 16 минут. Этого недостаточно для приложения, зависящего от внешней правовой информации.
Заменить нативный поиск на Olostep стало необходимостью, а значит, не получилось полностью опираться на экосистему Qwen, как планировалось изначально.
Столкнулся с ещё одной проблемой при экспериментах с DeepSeek Harness. Я задал простой вопрос о исследовании фондового рынка, и рабочий процесс долго обрабатывал запрос, а затем вернул ошибку. Для такой простой задачи это разочаровывает.
В целом, у Qwen4-Max впечатляющие возможности, но накладные расходы на рассуждения и нестабильный нативный поиск стоит учитывать, прежде чем строить вокруг него производственные рабочие процессы. Если хотите продолжить с моделями Qwen, наш учебник по Qwen 3.7 Max API показывает самопроверяющегося productivity-агента.