Qwen4-Max-handledning: Bygg en analysator för juridiska meddelanden
Bygg en amerikansk analysator för juridiska meddelanden med Qwen4-Max, Qwen-Agent och Olostep. Flagga bedrägerier, läs foton och PDF:er och verifiera påståenden mot officiella källor.
Har du någonsin fått ett myndighetsmeddelande och undrat om det var äkta, om du behövde svara, eller om någon försökte lura dig?
Juridiska meddelanden är svåra att läsa, särskilt när komplicerat språk blandas med betalningskrav och tidsfrister. Bedragare utnyttjar den förvirringen genom att utge sig för att vara myndigheter och skapa en falsk känsla av brådska.
I den här handledningen bygger vi en amerikansk analysator för juridiska meddelanden med Qwen4-Max och ramverket Qwen-Agent. Applikationen tar emot text, bilder och PDF:er, flaggar misstänkta betalningstaktiker och söker i officiella juridiska resurser när något behöver verifieras.
I stället för att enbart förlita oss på en stor språkmodell (LLM) parar vi ihop den med två Python-verktyg. Det första använder reguljära uttryck för att fånga vanliga bedrägeriindikatorer. Det andra använder Olostep för att söka på officiella myndighetswebbplatser och Cornell Legal Information Institute (LII).
I korthet
Vi bygger en analysator för juridiska meddelanden med Qwen4-Max, Qwen-Agent och Olostep som tar emot text, foton och PDF:er.
En regex-baserad riskgrind flaggar bedrägerimönster och domännamn som liknar officiella innan modellen gör någon research.
Ett research-verktyg begränsar uppslag till .gov-sajter och Cornell LII, och agenten hoppar över research när ett meddelande är uppenbart bedrägligt.
I mina tester läste Qwen4-Max fotograferade meddelanden väl, men den var långsam vid enkla uppgifter och dess inbyggda webbsökning var opålitlig.
Vad är Qwen4-Max?
Qwen4-Max är Alibabas flaggskeppsmodell i Qwen4-familjen, lanserad den 16 november 2026. Det är en gles mixture-of-experts (MoE)-modell med arkitektoniska förbättringar, inbyggd bildförståelse och större kontextfönster, utformad för komplext resonemang och agentiska applikationer.
Här är funktionerna som är mest relevanta för vårt projekt:
Gles MoE-arkitektur: Qwen4-Max har 2,4T ryggradsparametrar, 71B aktiva per token och ytterligare 328B N-gram inbäddningsparametrar. Gated DeltaNet-lager och Qwen Sparse Attention håller nere kostnaderna för långa kontexter.
Inbyggd bildförståelse: Modellen läser bilder direkt, så vi kan skicka ett foto av ett juridiskt meddelande utan att bygga en separat OCR-kedja.
Kontextfönster på 1M token: Detta räcker för långa dokument och mycket stödjande information.
Bättre tokeneffektivitet: Enligt Alibaba använder Qwen4-Max cirka 35 % färre token än Qwen3.8-Max på Work360 vid hög resonemangsnivå, och cirka 49 % färre på Terminal-Bench 4.0. Vid Xhigh minskar de med cirka 24 % respektive 48 %.
Lägre uppgiftskostnader: På Work360 fick Qwen4-Max 52,69, upp från 47,74 för Qwen3.8-Max, medan den genomsnittliga kostnaden per uppgift föll från $4,43 till $1,67, en minskning med 62 %.
Här är benchmarkresultaten från Alibabas tillkännagivande, som visar att Qwen4-Max förbättras jämfört med Qwen3.8-Max över nästan varje förmåga som Alibaba utvärderade:
Hur fungerar analysatorn för juridiska meddelanden?
Analysatorn är en enda Qwen-Agent-assistent som samordnar två Python-verktyg, medan Qwen4-Max hanterar dokumentförståelse och resonemang. Innan vi skriver någon kod tittar vi på arbetsflödet.
Figur 2: Arbetsflödet för analysatorn för juridiska meddelanden.
Arbetsflödet har 6 steg:
Användaren skickar in ett meddelande som text, bild eller PDF.
Qwen4-Max läser dokumentet och identifierar dess huvudsakliga innehåll.
Agenten anropar risk_gate för att leta efter misstänkta betalningsinstruktioner, hot och länkar.
Om dokumentet är uppenbart bedrägligt hoppar agenten över extern research.
Annars anropar agenten lookup_law för att söka i officiella juridiska resurser.
Qwen4-Max producerar ett strukturerat svar med utslag, sammanfattning, bevis och rekommenderade nästa steg.
Den viktiga designprincipen är att LLM:en inte gör allt. Python hanterar deterministiska kontroller, Olostep hanterar extern research, och Qwen4-Max hanterar dokumentförståelse och resonemang.
Det håller arbetsflödet enkelt samtidigt som agenten får ett verktyg för varje uppgift. Om agentterminologi är nytt för dig täcker vår kurs Introduction to AI Agents grunderna utan krav på kodning.
1. Konfigurera miljön
Vi använder Jupyter Notebook, QwenCloud för modellåtkomst och Olostep för webbsökning och scraping.
Skapa först ett konto på QwenCloud, fyll på krediter eller prenumerera på en Token Plan och generera en API-nyckel från instrumentpanelen. QwenCloud tillhandahåller en API-endpoint baserat på den region du väljer.
Ställ in dina miljövariabler i terminalen innan du startar Jupyter Notebook. Du kan också sätta dem inne i notebooken med 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"Drivs av
Jag använder Token Plan-endpointen, som ger rabatterad åtkomst till modellerna. Om du betalar efter förbrukning använder du den endpoint som QwenCloud visar för din region i stället.
Installera sedan de nödvändiga beroendena i din notebook:
%pip install -q "qwen-agent[rag]" olostep soundfile tqdmDrivs av
Extrafunktionen rag lägger till paket för dokumentbearbetning såsom pdfplumber, som vi använder för att läsa PDF:er. Från och med version 0.0.34 importerar Qwen-Agent också soundfile och tqdm vid start utan att deklarera dem som beroenden, så vi installerar båda uttryckligen.
Konfigurera Qwen4-Max
Nästa steg är att initiera modellen och Olostep-klienten. Jag använder regionen Singapore, som också erbjuder en 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"])Drivs av
Detta konfigurerar Qwen4-Max för multimodal input, ställer in en resonemangsnivå och initierar research-klienten. Observera att OLOSTEP_API_TIMEOUT ställs in före importen, eftersom SDK:n läser den vid inladdning.
Några konfigurationsalternativ är värda att förstå:
model anger modellen vi vill använda.
model_type låter oss skicka bilder genom det OpenAI-kompatibla multimodala gränssnittet.
model_server pekar på endpointen från QWEN_BASE_URL.
max_tokens begränsar längden på det genererade svaret.
reasoning_effort styr hur mycket resonemang modellen gör. Vi använder low för att hålla svaren snabba.
OLOSTEP_API_TIMEOUT sätter en tidsgräns, i sekunder, för research-förfrågningar.
Skapa återanvändbara agent-hjälpare
Vi kommer att bearbeta både text- och bildinmatning, så låt oss skapa en återanvändbar funktion för att köra agenten.
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,)Drivs av
Denna funktion skickar prompten och eventuella bilder till Qwen-Agent, väntar på det slutliga svaret och extraherar den genererade texten.
Vi behöver också en hjälpare för att läsa PDF:er.
defread_pdf(path):import pdfplumber
with pdfplumber.open(path)as pdf:return"\n".join(
page.extract_text()or""for page in pdf.pages
)Drivs av
Denna funktion extraherar selekterbar text från varje PDF-sida och kombinerar den till en sträng.
Observera: pdfplumber utför inte OCR. För skannade PDF:er som endast innehåller bilder, rendera varje sida som en bild och skicka den direkt till Qwen4-Max.
2. Bygga bedrägeriupptäckt med en riskgrind
Det första anpassade verktyget identifierar misstänkt beteende. I stället för att be LLM:en att känna igen varje misstänkt betalningsinstruktion kan vi använda reguljära uttryck för att upptäcka kända bedrägeritaktiker.
Detta är snabbare, deterministiskt och använder inga modeltoken. Om du vill fräscha upp syntaxen täcker vår kurs Regular Expressions in Python den.
Definiera regler för bedrägeriupptäckt
Vi börjar med en lista över reguljära uttryck och en mapping mellan myndigheter och deras officiella domäner.
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)\"'<>]+")Drivs av
Denna kod definierar bedrägeriindikatorerna och mappar myndighetsnamn till de domäner som dessa myndigheter faktiskt använder. Om ett meddelande till exempel nämner IRS kontrollerar applikationen dess länkar mot irs.gov.
Extrahera och validera domäner
Nästa steg är en hjälpare som extraherar värdnamnet från en 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)Drivs av
Detta extraherar värdnamnet och kontrollerar om det är den officiella domänen eller en legitim subdomän. Skillnaden spelar roll: en enkel endswith()-kontroll skulle acceptera fakeirs.gov som en IRS-webbplats.
Implementera riskgrind-verktyget
Nu kan vi kombinera dessa regler i ett anpassat Qwen-Agent-verktyg.
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"Drivs av
Detta verktyg skannar meddelandet efter matchande mönster, kontrollerar dess URL:er mot myndighetens officiella domän och returnerar de misstänkta indikatorerna. Myndighetsnamn matchas som hela ord, så ”irs” triggar inte på ett ord som ”first”.
Till exempel ger vårt fiktiva IRS-meddelande från Test 1:
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.govDrivs av
Agenten tar emot dessa resultat som en del av sitt sammanhang och använder dem när den avgör om meddelandet är misstänkt.
3. Skapa verktyget för juridisk research
Vårt andra verktyg hanterar extern research. Vi vill inte att agenten ska söka på slumpmässiga webbplatser, diskussionsforum eller advokatbyråers bloggar och behandla allt som auktoritativt.
I stället begränsar vi research till officiella amerikanska myndighetswebbplatser och Cornell LII. Vi använder Olostep eftersom det kan söka och skrapa flera resultat i en enda förfrågan. Om du vill jämföra det med ett annat alternativ, se vår Firecrawl-handledning.
Definiera begränsningar för research
Först definierar vi tillåtna källor och vissa begränsningar för hur mycket vi hämtar.
defis_allowed_host(host):return host.endswith(".gov")or is_official_domain(
host,"law.cornell.edu")
MAX_PAGES =2
PAGE_CHARS =3000Drivs av
Funktionen is_allowed_host() accepterar .gov-sajter och Cornell LII. Den återanvänder is_official_domain(), så en lookalike som fakelaw.cornell.edu avvisas. Vi behåller också högst 2 sidor, med maximalt 3 000 tecken per sida.
Implementera verktyget LookupLaw
Nu skapar vi det andra anpassade verktyget.
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.")Drivs av
Detta verktyg skickar en sökförfrågan till Olostep, filtrerar resultaten, extraherar sidinnehållet och returnerar de valda utdragen till Qwen4-Max.
Tre implementationdetaljer värda att notera:
Vi hämtar upp till 5 sökresultat men behåller högst 2 kvalificerande sidor.
Vi föredrar skrapad Markdown och faller tillbaka till sidbeskrivningen.
Vi lagrar hämtade URL:er i self.sources så att applikationen kan visa dem efter analysen.
4. Bygga agenten med Qwen-Agent och Qwen4-Max
Nu har vi båda anpassade verktygen: risk_gate identifierar misstänkt beteende, och lookup_law hämtar relevant juridisk information. Nästa steg är att skapa agenten som samordnar dem.
En enda systemprompt definierar arbetsflödet, verktygsordningen och svarformatet. Qwen-Agent är inte det enda alternativet för den här typen av bygge, och vår kurs Developing LLM Applications with LangChain täcker ett annat ramverk.
Definiera systemprompten
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."""Drivs av
Denna prompt definierar agentens ansvar och hindrar den från att hitta på juridisk information. En instruktion förtjänar en närmare titt: tidsfrister.
Ett bedrägligt meddelande kan ändå innehålla en tidsfrist, så agenten måste rapportera vad dokumentet påstår samtidigt som den förklarar om den tidsfristen är trovärdig.
Lägga till friskrivning och källhantering
Vi behåller friskrivningen utanför systemprompten så att Python kan lägga till den konsekvent.
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.")Drivs av
Detta ger oss ett fallbackmeddelande när juridisk research inte returnerar någon officiell källa, och varje svar innehåller en juridisk friskrivning.
Skapa huvudfunktionen för analys
Slutligen kopplar vi ihop allt till en återanvändbar funktion.
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}")Drivs av
Denna funktion skapar en ny agent för varje dokument, kör analysen, samlar in de hämtade källorna och returnerar det slutliga svaret. Vi skapar LookupLaw() inuti funktionen så att varje meddelande får sin egen källista.
5. Testa analysatorn för juridiska meddelanden
Nu har vi en fungerande analysator för juridiska meddelanden. Låt oss testa den på 3 exempel-dokument:
Ett fiktivt IRS-bedrägeribrev.
Ett fotografi av ett vräkningsmeddelande från Florida.
Ett PDF-kravbrev (cease and desist).
Varje test utnyttjar en annan del av arbetsflödet.
Test 1: Ett IRS-bedrägeribrev
Vårt första exempel är ett fiktivt IRS-bedrägeribrev. Det påstår att mottagaren är skyldig 4 870 dollar i federal inkomstskatt och måste betala inom 24 timmar.
Det hotar också med arrestering, kräver betalning via presentkort eller banköverföring och innehåller en misstänkt webbplats. Här är exempelindatan:
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))Drivs av
Detta skapar ett fiktivt meddelande och skickar in det till agenten för analys.
Utdata:
Figur 3: Analysatorns utdata för det fiktiva IRS-bedrägeribrevet.
Skannern hittar flera misstänkta indikatorer, och agenten hoppar över extern juridisk research. Det är vad vi vill ha för ett uppenbart bedrägeri: applikationen spenderar inte extra token på research när de deterministiska kontrollerna redan pekar på bedrägeri.
Vad testet visar: Riskgrinden kan identifiera vanliga bedrägeritaktiker och hjälpa agenten att undvika onödig extern research.
Test 2: Ett foto av ett vräkningsmeddelande
Det andra testet fokuserar på Qwen4-Max inbyggda bildförståelse. I stället för att extrahera text själva skickar vi ett foto av ett vräkningsmeddelande direkt till modellen.
Vårt exempel är ett Floridabrev med tre dagars frist som kräver 1 850 dollar i obetald hyra, eller besittning av fastigheten senast den 23 november 2026. Här är koden:
Markdown(
analyze_notice(
images=["samples/eviction.png"]))Drivs av
Detta skickar fotografiet direkt till Qwen4-Max, så ingen separat OCR-kedja behövs. För ett annat bygge som kombinerar Qwens bildförståelse med verktygsanrop, se vår Qwen 3.6 Plus API-handledning om fakturabearbetning.
Utdata:
Figur 4: Analysatorns utdata för det fotograferade vräkningsmeddelandet.
Modellen förstod fotografiet, extraherade beloppet och tidsfristen och identifierade vilken typ av meddelande det var. Den noterade att den hämtade juridiska sidan inte innehöll tillräcklig information för att verifiera lagen, och den upptäckte tomma fält för signatur och delgivning i exempeldokumentet.
Vad testet visar: Qwen4-Max kan tolka fotograferade juridiska dokument direkt, medan Qwen-Agent samordnar ytterligare research och kommunicerar osäkerhet.
Test 3: Ett PDF-kravbrev (cease and desist)
I det sista testet använder vi ett tvåsidigt kravbrev i PDF-format.
Dokumentet hänvisar till 17 U.S.C. §§ 501 och 512, påstår upphovsrättsintrång och ber mottagaren att ta bort det omtvistade innehållet och bekräfta efterlevnad senast den 28 november 2026. PDF:en innehåller selekterbar text, så vi kan använda vår hjälpare read_pdf(). Här är koden:
pdf_text = read_pdf("samples/legal.pdf")
Markdown(
analyze_notice(text=pdf_text))Drivs av
Detta extraherar PDF-innehållet och skickar den resulterande texten till samma agent.
Utdata:
Figur 5: Analysatorns utdata för kravbrevet.
Agenten skiljer korrekt mellan ett privat juridiskt krav och ett officiellt myndighets- eller domstolsmeddelande. Den känner igen att inga pengar krävs och anpassar sina rekommendationer. Research-verktyget hämtade en relevant sida från US Copyright Office, som visas i de slutliga källorna.
Vad testet visar: Samma agent kan hantera PDF-korrespondens, identifiera karaktären på ett juridiskt krav och rekommendera lämpliga nästa steg.
Mina erfarenheter av Qwen4-Max: det bra, det dåliga och det fula
Efter att ha använt Qwen4-Max för detta projekt, andra agentiska applikationer och vibe-kodning, är här min ärliga bedömning.
Det bra
Qwen-ekosystemet täcker mycket. Det inkluderar tal-till-text, text-till-tal, webbsökning, web scraping och en öppen verktygslåda för att bygga agentiska applikationer utan att implementera allt från grunden.
Det jag gillade mest var hur väl Qwen4-Max följde detaljerade instruktioner. Den respekterade i allmänhet den begärda utdatastrukturen, extraherade datum från dokument och gav korrekta sammanfattningar under mina tester.
Bildförståelsen stack ut. Jag gav den ett foto av ett juridiskt meddelande och den läste innehållet utan en extra OCR-kedja, vilket är till stor hjälp för dokumenttunga agentiska applikationer.
Det dåliga
Hastigheten var det största problemet för mig. Qwen4-Max var inte min favoritmodell för vibe-kodning: jämfört med DeepSeek V4.1 Flash och andra modeller jag testade tog den ofta märkbart längre tid att bli klar med enkla uppgifter.
Jag såg regelbundet genereringshastigheter runt 100 token per sekund, men den siffran döljer den verkliga kostnaden. Modellen ägnade lång tid åt att resonera om raka ändringar, och ibland bad jag om en enkel redigering och fick vänta mycket längre än väntat.
Den inbyggda webbsökningen var den mest frustrerande delen. I mina tester var svarstiderna inkonsekventa: samma fråga kunde ge svar på sekunder eller ta nära en minut, och vissa förfrågningar gick över 400 sekunder utan att slutföras.
Tre körningar av mitt research-arbetsflöde tog nästan 16 minuter. Det var inte tillräckligt pålitligt för en applikation som är beroende av extern juridisk information.
Att ersätta den inbyggda sökningen med Olostep blev nödvändigt, vilket också innebar att jag inte kunde förlita mig helt på Qwen-ekosystemet, som jag ursprungligen planerat.
Jag stötte på ytterligare ett problem när jag experimenterade med DeepSeek Harness. Jag ställde en enkel fråga om att göra research på aktiemarknaden, och arbetsflödet lade lång tid på förfrågan innan det returnerade ett fel. Det var frustrerande för en så okomplicerad uppgift.
Överlag har Qwen4-Max imponerande kapaciteter, men dess resonemangsöverbyggnad och inkonsekventa inbyggda sökning är värda att väga in innan du bygger produktionsarbetsflöden runt den. Om du vill fortsätta bygga med Qwen-modeller går vår Qwen 3.7 Max API-handledning igenom en självgranskande produktivitetsagent.
Har du någonsin fått ett myndighetsmeddelande och undrat om det var äkta, om du behövde svara, eller om någon försökte lura dig?
Juridiska meddelanden är svåra att läsa, särskilt när komplicerat språk blandas med betalningskrav och tidsfrister. Bedragare utnyttjar den förvirringen genom att utge sig för att vara myndigheter och skapa en falsk känsla av brådska.
I den här handledningen bygger vi en amerikansk analysator för juridiska meddelanden med Qwen4-Max och ramverket Qwen-Agent. Applikationen tar emot text, bilder och PDF:er, flaggar misstänkta betalningstaktiker och söker i officiella juridiska resurser när något behöver verifieras.
I stället för att enbart förlita oss på en stor språkmodell (LLM) parar vi ihop den med två Python-verktyg. Det första använder reguljära uttryck för att fånga vanliga bedrägeriindikatorer. Det andra använder Olostep för att söka på officiella myndighetswebbplatser och Cornell Legal Information Institute (LII).
I korthet
Vad är Qwen4-Max?
Qwen4-Max är Alibabas flaggskeppsmodell i Qwen4-familjen, lanserad den 16 november 2026. Det är en gles mixture-of-experts (MoE)-modell med arkitektoniska förbättringar, inbyggd bildförståelse och större kontextfönster, utformad för komplext resonemang och agentiska applikationer.
Här är funktionerna som är mest relevanta för vårt projekt:
Här är benchmarkresultaten från Alibabas tillkännagivande, som visar att Qwen4-Max förbättras jämfört med Qwen3.8-Max över nästan varje förmåga som Alibaba utvärderade:
Figur 1: Qwen4-Max benchmarkresultat. Bild hämtad från: Qwen, Qwen4-Max: Your New Teammate Has Arrived.
Hur fungerar analysatorn för juridiska meddelanden?
Analysatorn är en enda Qwen-Agent-assistent som samordnar två Python-verktyg, medan Qwen4-Max hanterar dokumentförståelse och resonemang. Innan vi skriver någon kod tittar vi på arbetsflödet.
Figur 2: Arbetsflödet för analysatorn för juridiska meddelanden.
Arbetsflödet har 6 steg:
risk_gateför att leta efter misstänkta betalningsinstruktioner, hot och länkar.lookup_lawför att söka i officiella juridiska resurser.Den viktiga designprincipen är att LLM:en inte gör allt. Python hanterar deterministiska kontroller, Olostep hanterar extern research, och Qwen4-Max hanterar dokumentförståelse och resonemang.
Det håller arbetsflödet enkelt samtidigt som agenten får ett verktyg för varje uppgift. Om agentterminologi är nytt för dig täcker vår kurs Introduction to AI Agents grunderna utan krav på kodning.
1. Konfigurera miljön
Vi använder Jupyter Notebook, QwenCloud för modellåtkomst och Olostep för webbsökning och scraping.
Skapa först ett konto på QwenCloud, fyll på krediter eller prenumerera på en Token Plan och generera en API-nyckel från instrumentpanelen. QwenCloud tillhandahåller en API-endpoint baserat på den region du väljer.
Du behöver också en Olostep API-nyckel för juridisk research.
Ställ in dina miljövariabler i terminalen innan du startar Jupyter Notebook. Du kan också sätta dem inne i notebooken med
os.environ.Jag använder Token Plan-endpointen, som ger rabatterad åtkomst till modellerna. Om du betalar efter förbrukning använder du den endpoint som QwenCloud visar för din region i stället.
Installera sedan de nödvändiga beroendena i din notebook:
Extrafunktionen
raglägger till paket för dokumentbearbetning såsom pdfplumber, som vi använder för att läsa PDF:er. Från och med version 0.0.34 importerar Qwen-Agent också soundfile och tqdm vid start utan att deklarera dem som beroenden, så vi installerar båda uttryckligen.Konfigurera Qwen4-Max
Nästa steg är att initiera modellen och Olostep-klienten. Jag använder regionen Singapore, som också erbjuder en Token Plan.
Detta konfigurerar Qwen4-Max för multimodal input, ställer in en resonemangsnivå och initierar research-klienten. Observera att
OLOSTEP_API_TIMEOUTställs in före importen, eftersom SDK:n läser den vid inladdning.Några konfigurationsalternativ är värda att förstå:
modelanger modellen vi vill använda.model_typelåter oss skicka bilder genom det OpenAI-kompatibla multimodala gränssnittet.model_serverpekar på endpointen frånQWEN_BASE_URL.max_tokensbegränsar längden på det genererade svaret.reasoning_effortstyr hur mycket resonemang modellen gör. Vi använderlowför att hålla svaren snabba.OLOSTEP_API_TIMEOUTsätter en tidsgräns, i sekunder, för research-förfrågningar.Skapa återanvändbara agent-hjälpare
Vi kommer att bearbeta både text- och bildinmatning, så låt oss skapa en återanvändbar funktion för att köra agenten.
Denna funktion skickar prompten och eventuella bilder till Qwen-Agent, väntar på det slutliga svaret och extraherar den genererade texten.
Vi behöver också en hjälpare för att läsa PDF:er.
Denna funktion extraherar selekterbar text från varje PDF-sida och kombinerar den till en sträng.
Observera: pdfplumber utför inte OCR. För skannade PDF:er som endast innehåller bilder, rendera varje sida som en bild och skicka den direkt till Qwen4-Max.
2. Bygga bedrägeriupptäckt med en riskgrind
Det första anpassade verktyget identifierar misstänkt beteende. I stället för att be LLM:en att känna igen varje misstänkt betalningsinstruktion kan vi använda reguljära uttryck för att upptäcka kända bedrägeritaktiker.
Detta är snabbare, deterministiskt och använder inga modeltoken. Om du vill fräscha upp syntaxen täcker vår kurs Regular Expressions in Python den.
Definiera regler för bedrägeriupptäckt
Vi börjar med en lista över reguljära uttryck och en mapping mellan myndigheter och deras officiella domäner.
Denna kod definierar bedrägeriindikatorerna och mappar myndighetsnamn till de domäner som dessa myndigheter faktiskt använder. Om ett meddelande till exempel nämner IRS kontrollerar applikationen dess länkar mot irs.gov.
Extrahera och validera domäner
Nästa steg är en hjälpare som extraherar värdnamnet från en URL.
Detta extraherar värdnamnet och kontrollerar om det är den officiella domänen eller en legitim subdomän. Skillnaden spelar roll: en enkel
endswith()-kontroll skulle acceptera fakeirs.gov som en IRS-webbplats.Implementera riskgrind-verktyget
Nu kan vi kombinera dessa regler i ett anpassat Qwen-Agent-verktyg.
Detta verktyg skannar meddelandet efter matchande mönster, kontrollerar dess URL:er mot myndighetens officiella domän och returnerar de misstänkta indikatorerna. Myndighetsnamn matchas som hela ord, så ”irs” triggar inte på ett ord som ”first”.
Till exempel ger vårt fiktiva IRS-meddelande från Test 1:
Agenten tar emot dessa resultat som en del av sitt sammanhang och använder dem när den avgör om meddelandet är misstänkt.
3. Skapa verktyget för juridisk research
Vårt andra verktyg hanterar extern research. Vi vill inte att agenten ska söka på slumpmässiga webbplatser, diskussionsforum eller advokatbyråers bloggar och behandla allt som auktoritativt.
I stället begränsar vi research till officiella amerikanska myndighetswebbplatser och Cornell LII. Vi använder Olostep eftersom det kan söka och skrapa flera resultat i en enda förfrågan. Om du vill jämföra det med ett annat alternativ, se vår Firecrawl-handledning.
Definiera begränsningar för research
Först definierar vi tillåtna källor och vissa begränsningar för hur mycket vi hämtar.
Funktionen
is_allowed_host()accepterar .gov-sajter och Cornell LII. Den återanvänderis_official_domain(), så en lookalike som fakelaw.cornell.edu avvisas. Vi behåller också högst 2 sidor, med maximalt 3 000 tecken per sida.Implementera verktyget LookupLaw
Nu skapar vi det andra anpassade verktyget.
Detta verktyg skickar en sökförfrågan till Olostep, filtrerar resultaten, extraherar sidinnehållet och returnerar de valda utdragen till Qwen4-Max.
Tre implementationdetaljer värda att notera:
self.sourcesså att applikationen kan visa dem efter analysen.4. Bygga agenten med Qwen-Agent och Qwen4-Max
Nu har vi båda anpassade verktygen:
risk_gateidentifierar misstänkt beteende, ochlookup_lawhämtar relevant juridisk information. Nästa steg är att skapa agenten som samordnar dem.En enda systemprompt definierar arbetsflödet, verktygsordningen och svarformatet. Qwen-Agent är inte det enda alternativet för den här typen av bygge, och vår kurs Developing LLM Applications with LangChain täcker ett annat ramverk.
Definiera systemprompten
Denna prompt definierar agentens ansvar och hindrar den från att hitta på juridisk information. En instruktion förtjänar en närmare titt: tidsfrister.
Ett bedrägligt meddelande kan ändå innehålla en tidsfrist, så agenten måste rapportera vad dokumentet påstår samtidigt som den förklarar om den tidsfristen är trovärdig.
Lägga till friskrivning och källhantering
Vi behåller friskrivningen utanför systemprompten så att Python kan lägga till den konsekvent.
Detta ger oss ett fallbackmeddelande när juridisk research inte returnerar någon officiell källa, och varje svar innehåller en juridisk friskrivning.
Skapa huvudfunktionen för analys
Slutligen kopplar vi ihop allt till en återanvändbar funktion.
Denna funktion skapar en ny agent för varje dokument, kör analysen, samlar in de hämtade källorna och returnerar det slutliga svaret. Vi skapar
LookupLaw()inuti funktionen så att varje meddelande får sin egen källista.5. Testa analysatorn för juridiska meddelanden
Nu har vi en fungerande analysator för juridiska meddelanden. Låt oss testa den på 3 exempel-dokument:
Varje test utnyttjar en annan del av arbetsflödet.
Test 1: Ett IRS-bedrägeribrev
Vårt första exempel är ett fiktivt IRS-bedrägeribrev. Det påstår att mottagaren är skyldig 4 870 dollar i federal inkomstskatt och måste betala inom 24 timmar.
Det hotar också med arrestering, kräver betalning via presentkort eller banköverföring och innehåller en misstänkt webbplats. Här är exempelindatan:
Detta skapar ett fiktivt meddelande och skickar in det till agenten för analys.
Utdata:
Figur 3: Analysatorns utdata för det fiktiva IRS-bedrägeribrevet.
Skannern hittar flera misstänkta indikatorer, och agenten hoppar över extern juridisk research. Det är vad vi vill ha för ett uppenbart bedrägeri: applikationen spenderar inte extra token på research när de deterministiska kontrollerna redan pekar på bedrägeri.
Vad testet visar: Riskgrinden kan identifiera vanliga bedrägeritaktiker och hjälpa agenten att undvika onödig extern research.
Test 2: Ett foto av ett vräkningsmeddelande
Det andra testet fokuserar på Qwen4-Max inbyggda bildförståelse. I stället för att extrahera text själva skickar vi ett foto av ett vräkningsmeddelande direkt till modellen.
Vårt exempel är ett Floridabrev med tre dagars frist som kräver 1 850 dollar i obetald hyra, eller besittning av fastigheten senast den 23 november 2026. Här är koden:
Detta skickar fotografiet direkt till Qwen4-Max, så ingen separat OCR-kedja behövs. För ett annat bygge som kombinerar Qwens bildförståelse med verktygsanrop, se vår Qwen 3.6 Plus API-handledning om fakturabearbetning.
Utdata:
Figur 4: Analysatorns utdata för det fotograferade vräkningsmeddelandet.
Modellen förstod fotografiet, extraherade beloppet och tidsfristen och identifierade vilken typ av meddelande det var. Den noterade att den hämtade juridiska sidan inte innehöll tillräcklig information för att verifiera lagen, och den upptäckte tomma fält för signatur och delgivning i exempeldokumentet.
Vad testet visar: Qwen4-Max kan tolka fotograferade juridiska dokument direkt, medan Qwen-Agent samordnar ytterligare research och kommunicerar osäkerhet.
Test 3: Ett PDF-kravbrev (cease and desist)
I det sista testet använder vi ett tvåsidigt kravbrev i PDF-format.
Dokumentet hänvisar till 17 U.S.C. §§ 501 och 512, påstår upphovsrättsintrång och ber mottagaren att ta bort det omtvistade innehållet och bekräfta efterlevnad senast den 28 november 2026. PDF:en innehåller selekterbar text, så vi kan använda vår hjälpare
read_pdf(). Här är koden:Detta extraherar PDF-innehållet och skickar den resulterande texten till samma agent.
Utdata:
Figur 5: Analysatorns utdata för kravbrevet.
Agenten skiljer korrekt mellan ett privat juridiskt krav och ett officiellt myndighets- eller domstolsmeddelande. Den känner igen att inga pengar krävs och anpassar sina rekommendationer. Research-verktyget hämtade en relevant sida från US Copyright Office, som visas i de slutliga källorna.
Vad testet visar: Samma agent kan hantera PDF-korrespondens, identifiera karaktären på ett juridiskt krav och rekommendera lämpliga nästa steg.
Mina erfarenheter av Qwen4-Max: det bra, det dåliga och det fula
Efter att ha använt Qwen4-Max för detta projekt, andra agentiska applikationer och vibe-kodning, är här min ärliga bedömning.
Det bra
Qwen-ekosystemet täcker mycket. Det inkluderar tal-till-text, text-till-tal, webbsökning, web scraping och en öppen verktygslåda för att bygga agentiska applikationer utan att implementera allt från grunden.
Det jag gillade mest var hur väl Qwen4-Max följde detaljerade instruktioner. Den respekterade i allmänhet den begärda utdatastrukturen, extraherade datum från dokument och gav korrekta sammanfattningar under mina tester.
Bildförståelsen stack ut. Jag gav den ett foto av ett juridiskt meddelande och den läste innehållet utan en extra OCR-kedja, vilket är till stor hjälp för dokumenttunga agentiska applikationer.
Det dåliga
Hastigheten var det största problemet för mig. Qwen4-Max var inte min favoritmodell för vibe-kodning: jämfört med DeepSeek V4.1 Flash och andra modeller jag testade tog den ofta märkbart längre tid att bli klar med enkla uppgifter.
Jag såg regelbundet genereringshastigheter runt 100 token per sekund, men den siffran döljer den verkliga kostnaden. Modellen ägnade lång tid åt att resonera om raka ändringar, och ibland bad jag om en enkel redigering och fick vänta mycket längre än väntat.
Om du vill prova det snabbare alternativet själva täcker vi det i vår DeepSeek V4.1 Flash API-handledning.
Det fula
Den inbyggda webbsökningen var den mest frustrerande delen. I mina tester var svarstiderna inkonsekventa: samma fråga kunde ge svar på sekunder eller ta nära en minut, och vissa förfrågningar gick över 400 sekunder utan att slutföras.
Tre körningar av mitt research-arbetsflöde tog nästan 16 minuter. Det var inte tillräckligt pålitligt för en applikation som är beroende av extern juridisk information.
Att ersätta den inbyggda sökningen med Olostep blev nödvändigt, vilket också innebar att jag inte kunde förlita mig helt på Qwen-ekosystemet, som jag ursprungligen planerat.
Jag stötte på ytterligare ett problem när jag experimenterade med DeepSeek Harness. Jag ställde en enkel fråga om att göra research på aktiemarknaden, och arbetsflödet lade lång tid på förfrågan innan det returnerade ett fel. Det var frustrerande för en så okomplicerad uppgift.
Överlag har Qwen4-Max imponerande kapaciteter, men dess resonemangsöverbyggnad och inkonsekventa inbyggda sökning är värda att väga in innan du bygger produktionsarbetsflöden runt den. Om du vill fortsätta bygga med Qwen-modeller går vår Qwen 3.7 Max API-handledning igenom en självgranskande produktivitetsagent.