ข้ามไปยังเนื้อหาหลัก

บทเรียน Qwen4-Max: สร้างตัววิเคราะห์หนังสือแจ้งทางกฎหมาย

สร้างตัววิเคราะห์หนังสือแจ้งทางกฎหมายของสหรัฐฯ ด้วย Qwen4-Max, Qwen-Agent และ Olostep ตรวจจับกลโกง อ่านรูปถ่ายและ PDF และยืนยันข้ออ้างกับแหล่งข้อมูลทางการ
· 12 นาที อ่าน

สำรวจด้วย AI

เคยได้รับหนังสือแจ้งจากหน่วยงานรัฐแล้วสงสัยไหมว่าเป็นของจริงหรือเปล่า ต้องตอบกลับหรือไม่ หรืออาจเป็นมิจฉาชีพพยายามหลอกลวง?

หนังสือแจ้งทางกฎหมายอ่านยาก โดยเฉพาะเมื่อภาษาซับซ้อนปะปนกับการเรียกชำระเงินและเส้นตาย มิจฉาชีพอาศัยความสับสนนั้นด้วยการปลอมเป็นหน่วยงานรัฐและสร้างความเร่งด่วนเทียม

ในบทเรียนนี้ เราจะสร้างตัววิเคราะห์หนังสือแจ้งทางกฎหมายของสหรัฐฯ โดยใช้ Qwen4-Max และเฟรมเวิร์ก Qwen-Agent แอปพลิเคชันรองรับข้อความ รูปภาพ และ PDF ระบุแท็กติกเรียกชำระเงินที่น่าสงสัย และค้นหาแหล่งข้อมูลกฎหมายทางการเมื่อจำเป็นต้องยืนยันข้อมูล

แทนที่จะพึ่งโมเดลภาษาขนาดใหญ่ (LLM) เพียงอย่างเดียว เราจะจับคู่กับเครื่องมือ Python สองตัว ตัวแรกใช้เรกูลาร์เอ็กซ์เพรสชันเพื่อตรวจจับตัวชี้วัดกลโกงทั่วไป ตัวที่สองใช้ Olostep เพื่อค้นหาเว็บไซต์หน่วยงานรัฐและ Cornell Legal Information Institute (LII)

สรุปย่อ

  • เราสร้างตัววิเคราะห์หนังสือแจ้งทางกฎหมายด้วย Qwen4-Max, Qwen-Agent และ Olostep ที่รับข้อความ รูปถ่าย และ PDF
  • ด่านความเสี่ยงแบบ regex จะติดธงรูปแบบกลโกงและโดเมนเลียนแบบ ก่อนที่โมเดลจะทำการค้นคว้า
  • เครื่องมือค้นคว้าจำกัดการค้นหาเฉพาะเว็บไซต์ .gov และ Cornell LII และเอเจนต์จะข้ามการค้นคว้าเมื่อหนังสือแจ้งเป็นเท็จอย่างชัดเจน
  • จากการทดสอบ Qwen4-Max อ่านหนังสือแจ้งจากรูปถ่ายได้ดี แต่ช้าในงานง่ายๆ และการค้นเว็บแบบเนทีฟไม่น่าเชื่อถือ

Qwen4-Max คืออะไร?

Qwen4-Max คือโมเดลเรือธงของ Alibaba ในตระกูล Qwen4 เปิดตัวเมื่อ 16 พฤศจิกายน 2026 เป็นโมเดลแบบผสมผู้เชี่ยวชาญแบบเบาบาง (Sparse MoE) ที่ปรับปรุงสถาปัตยกรรม รองรับวิสัยทัศน์แบบเนทีฟ และมีหน้าต่างบริบทขนาดใหญ่ ออกแบบมาสำหรับการให้เหตุผลซับซ้อนและแอปพลิเคชันเชิงเอเจนต์

คุณสมบัติที่เกี่ยวข้องกับโปรเจ็กต์นี้มากที่สุด:

  • สถาปัตยกรรม MoE แบบเบาบาง: Qwen4-Max มีพารามิเตอร์แกนหลัก 2.4T ใช้งานจริงต่อโทเคน 71B และพารามิเตอร์ฝัง N-gram เพิ่มเติม 328B เลเยอร์ Gated DeltaNet และ Qwen Sparse Attention ช่วยลดต้นทุนบริบทยาว
  • วิสัยทัศน์แบบเนทีฟ: โมเดลอ่านรูปภาพได้โดยตรง จึงสามารถส่งรูปถ่ายของหนังสือแจ้งทางกฎหมายได้โดยไม่ต้องสร้างสายงาน OCR แยก
  • หน้าต่างบริบท 1M โทเคน: เพียงพอสำหรับเอกสารยาวและข้อมูลประกอบจำนวนมาก
  • ประสิทธิภาพโทเคนที่ดีขึ้น: ตามข้อมูลของ Alibaba Qwen4-Max ใช้โทเคนประมาณน้อยกว่า Qwen3.8-Max ราว 35% บน Work360 ที่ระดับความพยายามเหตุผล High และน้อยกว่าประมาณ 49% บน Terminal-Bench 4.0 ที่ระดับ Xhigh ลดลงประมาณ 24% และ 48% ตามลำดับ
  • ต้นทุนงานที่ต่ำลง: บน Work360 Qwen4-Max ได้ 52.69 เพิ่มจาก 47.74 ของ Qwen3.8-Max ขณะที่ต้นทุนเฉลี่ยต่อภารกิจลดจาก $4.43 เหลือ $1.67 ลดลง 62%

นี่คือผลเบนช์มาร์กจากประกาศของ Alibaba ซึ่งแสดงให้เห็นว่า Qwen4-Max ดีขึ้นจาก Qwen3.8-Max เกือบทุกความสามารถที่ Alibaba ประเมิน:

การเปรียบเทียบเบนช์มาร์กของ Alibaba ระหว่าง Qwen4-Max และโมเดลอื่นๆ ในงานเขียนโค้ด งานทั่วไป และงานระยะยาว

ภาพที่ 1: ผลเบนช์มาร์กของ Qwen4-Max ภาพจาก: Qwen, Qwen4-Max: Your New Teammate Has Arrived.

ตัววิเคราะห์หนังสือแจ้งทางกฎหมายทำงานอย่างไร?

ตัววิเคราะห์เป็นผู้ช่วย Qwen-Agent เพียงตัวเดียวที่ประสานเครื่องมือ Python สองตัว ขณะที่ Qwen4-Max จัดการความเข้าใจเอกสารและการให้เหตุผล ก่อนเขียนโค้ด มาดูเวิร์กโฟลว์กันก่อน

ไดอะแกรมเวิร์กโฟลว์ของตัววิเคราะห์หนังสือแจ้งทางกฎหมาย ตั้งแต่รับอินพุตหนังสือแจ้ง ผ่านด่านความเสี่ยงและการค้นคว้ากฎหมาย ไปจนถึงคำตอบสุดท้าย

ภาพที่ 2: เวิร์กโฟลว์ของตัววิเคราะห์หนังสือแจ้งทางกฎหมาย

เวิร์กโฟลว์มี 6 ขั้นตอน:

  1. ผู้ใช้ส่งหนังสือแจ้งเป็นข้อความ รูปภาพ หรือ PDF
  2. Qwen4-Max อ่านเอกสารและระบุสาระสำคัญ
  3. เอเจนต์เรียก risk_gate เพื่อตรวจสอบคำสั่งชำระเงินที่น่าสงสัย การข่มขู่ และลิงก์
  4. หากเอกสารเป็นของปลอมอย่างชัดเจน เอเจนต์จะข้ามการค้นคว้าภายนอก
  5. มิฉะนั้น เอเจนต์เรียก lookup_law เพื่อค้นหาแหล่งกฎหมายทางการ
  6. Qwen4-Max สร้างคำตอบแบบมีโครงสร้าง พร้อมคำวินิจฉัย สรุป หลักฐาน และขั้นตอนถัดไปที่แนะนำ

ประเด็นการออกแบบสำคัญคือ LLM ไม่ทำทุกอย่าง Python จัดการการตรวจสอบแบบกำหนดได้ Olostep จัดการการค้นคว้าภายนอก และ Qwen4-Max จัดการความเข้าใจเอกสารและการให้เหตุผล

แนวทางนี้ทำให้เวิร์กโฟลว์เรียบง่าย ในขณะเดียวกันก็มีเครื่องมือที่เหมาะกับแต่ละงาน หากคำศัพท์เกี่ยวกับเอเจนต์ยังใหม่ หลักสูตร Introduction to AI Agents ของเราครอบคลุมพื้นฐานโดยไม่ต้องเขียนโค้ด

1. การตั้งค่าสภาพแวดล้อม

เราจะใช้ Jupyter Notebook, QwenCloud สำหรับการเข้าถึงโมเดล และ Olostep สำหรับการค้นเว็บและสแครปข้อมูล

เริ่มจากสร้างบัญชีที่ QwenCloud เติมเครดิตหรือสมัคร Token Plan และสร้างคีย์ API จากแดชบอร์ด QwenCloud ให้เอ็นด์พอยต์ API ตามภูมิภาคที่เลือก

ต้องมี คีย์ API ของ Olostep สำหรับการค้นคว้ากฎหมายด้วย

ตั้งค่าตัวแปรสภาพแวดล้อมในเทอร์มินัลก่อนเปิด Jupyter Notebook หรือจะตั้งค่าภายในโน้ตบุ๊กด้วย os.environ ก็ได้

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

ใช้เอ็นด์พอยต์ Token Plan เพื่อเข้าถึงโมเดลในราคาส่วนลด หากจ่ายตามการใช้งาน ให้ใช้อี็นด์พอยต์ที่ QwenCloud แสดงสำหรับภูมิภาคของคุณแทน

ถัดไป ติดตั้งไลบรารีที่ต้องใช้ในโน้ตบุ๊ก:

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

rag extra จะเพิ่มแพ็กเกจประมวลผลเอกสารอย่างเช่น pdfplumber ซึ่งจะใช้ในการอ่าน PDF ณ เวอร์ชัน 0.0.34 Qwen-Agent ยังนำเข้า soundfile และ tqdm ตอนเริ่มต้นโดยไม่ประกาศเป็น dependency ดังนั้นจึงติดตั้งทั้งสองอย่างแยกต่างหาก

ตั้งค่า Qwen4-Max

ต่อไปคือเริ่มต้นโมเดลและไคลเอนต์ Olostep ที่นี่ใช้ภูมิภาคสิงคโปร์ ซึ่งมี Token Plan เช่นกัน

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"])

การตั้งค่านี้ทำให้ Qwen4-Max รองรับอินพุตหลายรูปแบบ กำหนดระดับความพยายามในการให้เหตุผล และเริ่มต้นลูกค้าค้นคว้า สังเกตว่า OLOSTEP_API_TIMEOUT ถูกตั้งค่าก่อน import เพราะ SDK จะอ่านค่าเมื่อโหลด

มีตัวเลือกการตั้งค่าบางอย่างที่ควรทำความเข้าใจ:

  • model ระบุโมเดลที่จะใช้
  • model_type ช่วยให้ส่งรูปภาพผ่านอินเทอร์เฟซมัลติโหมดที่เข้ากันได้กับ OpenAI
  • model_server ชี้ไปยังเอ็นด์พอยต์จาก QWEN_BASE_URL
  • max_tokens จำกัดความยาวคำตอบที่สร้าง
  • reasoning_effort ควบคุมระดับการให้เหตุผลของโมเดล ใช้ค่า low เพื่อให้ตอบเร็ว
  • OLOSTEP_API_TIMEOUT ตั้งเวลาจำกัดเป็นวินาทีสำหรับคำขอค้นคว้า

สร้างตัวช่วยของเอเจนต์ที่นำกลับใช้ซ้ำได้

เราจะประมวลผลทั้งข้อความและรูปภาพ จึงสร้างฟังก์ชันนำกลับใช้ซ้ำสำหรับรันเอเจนต์

def run_agent(agent, prompt, images=None):
    content = [{"text": prompt}] + [
        {"image": image} for image in (images or [])
    ]
    final = agent.run_nonstream([
        {"role": "user", "content": content}
    ])
    return extract_text_from_message(
        Message.model_validate(final[-1]),
        add_upload_info=False,
    )

ฟังก์ชันนี้ส่งพรอมต์และรูปภาพ (ถ้ามี) ไปยัง Qwen-Agent รอคำตอบสุดท้าย และดึงข้อความที่สร้างออกมา

เรายังต้องมีตัวช่วยสำหรับอ่าน PDF

def read_pdf(path):
    import pdfplumber

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

ฟังก์ชันนี้ดึงข้อความที่เลือกได้จากทุกหน้าของ PDF แล้วรวมเป็นสตริงเดียว

หมายเหตุ: pdfplumber ไม่ทำ OCR สำหรับ PDF ที่สแกนเป็นรูปภาพล้วน ให้เรนเดอร์แต่ละหน้าเป็นรูปภาพแล้วส่งตรงไปยัง Qwen4-Max

2. สร้างการตรวจจับกลโกงด้วยด่านความเสี่ยง

เครื่องมือกำหนดเองตัวแรกจะระบุพฤติกรรมที่น่าสงสัย แทนที่จะให้ LLM รู้จำคำสั่งชำระเงินที่น่าสงสัยทุกแบบ เราใช้เรกูลาร์เอ็กซ์เพรสชันตรวจจับแท็กติกกลโกงที่รู้จัก

วิธีนี้เร็ว กำหนดผลลัพธ์ได้ และไม่ใช้โทเคนของโมเดล หากต้องการทบทวนไวยากรณ์ ดูหลักสูตร Regular Expressions in Python ของเรา

กำหนดกฎการตรวจจับกลโกง

เริ่มจากรายการเรกูลาร์เอ็กซ์เพรสชันและการแมประหว่างหน่วยงานรัฐกับโดเมนทางการ

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)\"'<>]+")

โค้ดนี้กำหนดตัวชี้วัดกลโกงและแมปชื่อหน่วยงานกับโดเมนที่หน่วยงานนั้นใช้จริง ตัวอย่างเช่น หากหนังสือแจ้งกล่าวถึง IRS แอปพลิเคชันจะตรวจสอบลิงก์กับ irs.gov

ดึงและตรวจสอบโดเมน

ต่อไปต้องมีตัวช่วยที่ดึงโฮสต์เนมจาก URL

from urllib.parse import urlparse


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


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

ฟังก์ชันนี้ดึงโฮสต์เนมและตรวจว่าตรงกับโดเมนทางการหรือเป็นซับโดเมนที่ถูกต้อง ความแตกต่างนี้สำคัญ เพราะการใช้ endswith() แบบพื้นฐานอาจยอมรับ fakeirs.gov ว่าเป็นเว็บไซต์ IRS

ทำด่านความเสี่ยงเป็นเครื่องมือ

ตอนนี้เรานำกฎเหล่านี้มารวมเป็นเครื่องมือ Qwen-Agent แบบกำหนดเอง

class RiskGate(BaseTool):
    name = "risk_gate"
    description = (
        "Scan a notice for payment tactics, threats, urgency, "
        "secrecy, and suspicious agency links. "
        "Call once before any other tool."
    )
    parameters = {
        "type": "object",
        "properties": {
            "text": {
                "type": "string",
                "description": (
                    "The full notice text, including links "
                    "and payment instructions."
                ),
            }
        },
        "required": ["text"],
    }

    def call(self, params, **kwargs):
        text = self._verify_json_format_args(params)["text"]
        low = text.lower()
        flags = [
            f"scam indicator: {label}"
            for label, pattern in RULES
            if re.search(pattern, low)
        ]
        agency = next(
            (
                domain
                for word, domain in OFFICIAL.items()
                if re.search(rf"\b{re.escape(word)}\b", low)
            ),
            None,
        )
        if agency:
            hosts = {
                host_of(url)
                for url in URL_RX.findall(text)
            }
            flags += [
                f"lookalike domain: {host} is not {agency}"
                for host in sorted(hosts)
                if host and not is_official_domain(host, agency)
            ]
        return "\n".join(flags) or "no flags"

เครื่องมือนี้สแกนหนังสือแจ้งเพื่อหาลวดลายที่ตรง ตรวจสอบ URL กับโดเมนทางการของหน่วยงาน และส่งคืนตัวชี้วัดที่น่าสงสัย ชื่อหน่วยงานจะจับคู่ทั้งคำ ดังนั้น "irs" จะไม่ไปทริกเกอร์คำอย่าง "first"

ตัวอย่าง หนังสือแจ้ง IRS สมมติจากการทดสอบที่ 1 ให้ผลลัพธ์ว่า:

scam indicator: gift cards
scam indicator: wire transfer
scam indicator: arrest threat
scam indicator: extreme urgency
scam indicator: secrecy
scam indicator: card numbers by phone
lookalike domain: irs-gov-payments.top is not irs.gov

เอเจนต์จะได้รับผลเหล่านี้เป็นส่วนหนึ่งของบริบทและใช้ในการตัดสินใจว่าหนังสือแจ้งน่าสงสัยหรือไม่

3. สร้างเครื่องมือค้นคว้ากฎหมาย

เครื่องมือที่สองจัดการการค้นคว้าภายนอก เราไม่ต้องการให้เอเจนต์ค้นหาเว็บไซต์สุ่ม ฟอรัมสนทนา หรือบล็อกสำนักงานกฎหมาย แล้วถือว่าทุกอย่างเชื่อถือได้

เราจำกัดการค้นคว้าไว้เฉพาะเว็บไซต์หน่วยงานรัฐสหรัฐฯ และ Cornell LII จะใช้ Olostep เพราะสามารถค้นและสแครปหลายผลลัพธ์ในคำขอเดียว หากอยากเปรียบเทียบกับตัวเลือกอื่น ดู บทเรียน Firecrawl ของเรา

กำหนดข้อจำกัดการค้นคว้า

ก่อนอื่น กำหนดแหล่งที่อนุญาตและขีดจำกัดการดึงข้อมูลบางส่วน

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


MAX_PAGES = 2
PAGE_CHARS = 3000

ฟังก์ชัน is_allowed_host() ยอมรับไซต์ .gov และ Cornell LII โดยใช้ is_official_domain() ซ้ำ จึงปฏิเสธโดเมนเลียนแบบอย่าง fakelaw.cornell.edu นอกจากนี้จะเก็บหน้าไม่เกิน 2 หน้า และสูงสุด 3,000 อักขระต่อหน้า

ทำเครื่องมือ LookupLaw

ต่อไปสร้างเครื่องมือกำหนดเองตัวที่สอง

class LookupLaw(BaseTool):
    name = "lookup_law"
    description = (
        "Search for official US legal guidance using "
        "government websites and Cornell LII. "
        "Return the most relevant page excerpts."
    )
    parameters = {
        "type": "object",
        "properties": {
            "query": {
                "type": "string",
                "description": "One plain-English legal question.",
            },
            "domain": {
                "type": "string",
                "description": "Optional domain, such as irs.gov.",
            },
        },
        "required": ["query"],
    }

    def __init__(self):
        super().__init__()
        self.sources = []

    def call(self, params, **kwargs):
        args = self._verify_json_format_args(params)
        found = olostep.searches.create(
            args["query"][:200],
            limit=5,
            include_domains=(
                [args["domain"]] if args.get("domain") else None
            ),
            scrape_options={
                "formats": ["markdown"],
                "timeout": 20,
            },
        )
        pages = []
        for link in found.links:
            host = host_of(link["url"])
            if not is_allowed_host(host):
                continue
            body = (
                link.get("markdown_content")
                or link.get("description")
                or ""
            )[:PAGE_CHARS]
            if body:
                self.sources.append(link["url"])
                pages.append(f"### {link['url']}\n{body}")
            if len(pages) == MAX_PAGES:
                break
        return "\n\n".join(pages) or (
            "No official page found. Results outside "
            ".gov and Cornell LII are treated as unreliable. "
            "Try a shorter query with the statute or agency name."
        )

เครื่องมือนี้ส่งคำค้นไปยัง Olostep กรองผลลัพธ์ แยกเนื้อหาหน้าเว็บ แล้วส่งข้อความตัดตอนที่เลือกกลับไปยัง Qwen4-Max

มีรายละเอียดการทำงาน 3 ข้อที่ควรสังเกต:

  • ดึงผลการค้นหาสูงสุด 5 รายการ แต่เก็บหน้าเว็บที่เข้าเกณฑ์ไม่เกิน 2 หน้า
  • ให้ความสำคัญกับ Markdown ที่สแครปมา และย้อนกลับไปใช้คำบรรยายหน้าถ้าจำเป็น
  • เก็บ URL ที่ดึงมาไว้ใน self.sources เพื่อให้แอปพลิเคชันแสดงหลังการวิเคราะห์

4. สร้างเอเจนต์ด้วย Qwen-Agent และ Qwen4-Max

ตอนนี้มีเครื่องมือกำหนดเองทั้งสองแล้ว: risk_gate ระบุพฤติกรรมน่าสงสัย และ lookup_law ดึงข้อมูลกฎหมายที่เกี่ยวข้อง ต่อไปคือสร้างเอเจนต์ที่ประสานงานระหว่างกัน

พรอมต์ระบบเพียงชุดเดียวกำหนดเวิร์กโฟลว์ ลำดับการใช้เครื่องมือ และรูปแบบคำตอบ Qwen-Agent ไม่ใช่ตัวเลือกเดียวสำหรับงานแบบนี้ และหลักสูตร Developing LLM Applications with LangChain ของเราครอบคลุมอีกเฟรมเวิร์กหนึ่ง

กำหนดพรอมต์ระบบ

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."""

พรอมต์นี้กำหนดหน้าที่ของเอเจนต์และป้องกันไม่ให้ประดิษฐ์ข้อมูลทางกฎหมาย คำสั่งหนึ่งที่ควรพิจารณาเป็นพิเศษคือเรื่องเส้นตาย

หนังสือแจ้งปลอมอาจมีเส้นตายระบุไว้ ดังนั้นเอเจนต์ต้องรายงานสิ่งที่เอกสารอ้าง พร้อมอธิบายว่าเส้นตายนั้นน่าเชื่อถือหรือไม่

เพิ่มข้อความปฏิเสธความรับผิดและการจัดการแหล่งข้อมูล

เก็บข้อความปฏิเสธความรับผิดไว้นอกพรอมต์ระบบ เพื่อให้ Python ผนวกได้อย่างสม่ำเสมอ

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."
)

สิ่งนี้ให้ข้อความสำรองเมื่อการค้นคว้ากฎหมายไม่พบแหล่งทางการ และทุกคำตอบมีข้อความปฏิเสธความรับผิดกำกับ

สร้างฟังก์ชันวิเคราะห์หลัก

สุดท้าย เชื่อมทุกอย่างเข้าฟังก์ชันนำกลับใช้ซ้ำเพียงตัวเดียว

def analyze_notice(text=None, images=None):
    research = LookupLaw()
    agent = Assistant(
        llm=LLM,
        system_message=SYSTEM,
        function_list=[
            RiskGate(),
            research,
        ],
    )
    prompt = (
        f"Notice text:\n\n{text}"
        if text
        else "The notice is attached as image files."
    )
    answer = run_agent(agent, prompt, images)
    sources = "\n".join(
        f"- {url}" for url in research.sources
    )
    return (
        f"{answer}\n\n"
        f"## Sources\n\n"
        f"{sources or NO_SOURCE}\n"
        f"{DISCLAIMER}"
    )

ฟังก์ชันนี้สร้างเอเจนต์ใหม่สำหรับแต่ละเอกสาร รันการวิเคราะห์ รวบรวมแหล่งข้อมูลที่ดึงมา และส่งคืนผลลัพธ์สุดท้าย เราสร้าง LookupLaw() ภายในฟังก์ชันเพื่อให้หนังสือแจ้งแต่ละฉบับมีรายการแหล่งข้อมูลของตัวเอง

5. ทดสอบตัววิเคราะห์หนังสือแจ้งทางกฎหมาย

ตอนนี้มีตัววิเคราะห์หนังสือแจ้งทางกฎหมายที่ใช้งานได้แล้ว มาทดสอบกับเอกสารตัวอย่าง 3 ฉบับ:

  1. จดหมายหลอกลวง IRS สมมติ
  2. รูปถ่ายหนังสือแจ้งขับไล่ในฟลอริดา
  3. จดหมายยุติและงดเว้นในรูปแบบ PDF

แต่ละการทดสอบเน้นส่วนต่างๆ ของเวิร์กโฟลว์

ทดสอบที่ 1: จดหมายหลอกลวง IRS

ตัวอย่างแรกเป็นจดหมายหลอกลวง IRS สมมติ อ้างว่าผู้รับค้างภาษีเงินได้ของรัฐบาลกลาง $4,870 และต้องจ่ายภายใน 24 ชั่วโมง

ยังข่มขู่ว่าจะจับกุม เรียกร้องให้จ่ายด้วยบัตรของขวัญหรือโอนเงิน และมีเว็บไซต์ที่น่าสงสัย นี่คือตัวอย่างอินพุต:

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))

โค้ดนี้สร้างหนังสือแจ้งสมมติและส่งไปให้เอเจนต์วิเคราะห์

ผลลัพธ์:

เอาต์พุตของตัววิเคราะห์หนังสือแจ้งสำหรับจดหมายหลอกลวง IRS สมมติ

ภาพที่ 3: เอาต์พุตของตัววิเคราะห์สำหรับจดหมายหลอกลวง IRS สมมติ

สแกนเนอร์พบตัวบ่งชี้ที่น่าสงสัยหลายข้อ และเอเจนต์ข้ามการค้นคว้ากฎหมายภายนอก นั่นคือสิ่งที่ต้องการสำหรับกลโกงที่ชัดเจน: แอปพลิเคชันไม่ใช้โทเคนเพิ่มเติมกับการค้นคว้าเมื่อการตรวจแบบกำหนดได้ชี้ไปที่การฉ้อโกงอยู่แล้ว

สิ่งที่การทดสอบนี้แสดงให้เห็น: ด่านความเสี่ยงสามารถระบุแท็กติกกลโกงทั่วไปและช่วยให้เอเจนต์หลีกเลี่ยงการค้นคว้าภายนอกที่ไม่จำเป็น

ทดสอบที่ 2: รูปถ่ายหนังสือแจ้งขับไล่

การทดสอบที่สองเน้นความสามารถด้านวิสัยทัศน์แบบเนทีฟของ Qwen4-Max แทนที่จะดึงข้อความเอง เราส่งรูปถ่ายหนังสือแจ้งขับไล่ตรงไปยังโมเดล

ตัวอย่างของเราคือหนังสือแจ้ง 3 วันของฟลอริดาที่เรียกค่าเช่าค้าง $1,850 หรือขอคืนการครอบครองทรัพย์สินภายในวันที่ 23 พฤศจิกายน 2026 โค้ดดังนี้:

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

วิธีนี้ส่งรูปถ่ายตรงไปยัง Qwen4-Max โดยไม่ต้องมีสายงาน OCR แยก สำหรับตัวอย่างอื่นที่ผสานวิสัยทัศน์ของ Qwen กับการเรียกใช้เครื่องมือ ดู บทเรียน Qwen 3.6 Plus API ของเราเกี่ยวกับการประมวลผลใบแจ้งหนี้

ผลลัพธ์:

เอาต์พุตของตัววิเคราะห์หนังสือแจ้งสำหรับรูปถ่ายหนังสือแจ้งขับไล่ในฟลอริดา

ภาพที่ 4: เอาต์พุตของตัววิเคราะห์สำหรับรูปถ่ายหนังสือแจ้งขับไล่

โมเดลเข้าใจรูปถ่าย ดึงจำนวนเงินและเส้นตาย และระบุประเภทของหนังสือแจ้งได้ ยอมรับว่าหน้ากฎหมายที่ดึงมาไม่มีข้อมูลเพียงพอที่จะยืนยันบทกฎหมาย และสังเกตช่องลายเซ็นและการส่งที่ว่างอยู่ในเอกสารตัวอย่าง

สิ่งที่การทดสอบนี้แสดงให้เห็น: Qwen4-Max สามารถตีความเอกสารทางกฎหมายจากรูปถ่ายได้โดยตรง ขณะที่ Qwen-Agent ประสานการค้นคว้าเพิ่มเติมและสื่อสารความไม่แน่นอน

ทดสอบที่ 3: จดหมายยุติและงดเว้นในรูปแบบ PDF

การทดสอบสุดท้ายใช้จดหมายยุติและงดเว้น 2 หน้าในรูปแบบ PDF

เอกสารอ้างถึง 17 U.S.C. §§ 501 และ 512 กล่าวหาการละเมิดลิขสิทธิ์ และขอให้ผู้รับลบเนื้อหาที่มีข้อพิพาทและยืนยันการปฏิบัติตามภายในวันที่ 28 พฤศจิกายน 2026 PDF นี้มีข้อความที่เลือกได้ จึงใช้ตัวช่วย read_pdf() ของเราได้ โค้ดดังนี้:

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

Markdown(
    analyze_notice(text=pdf_text)
)

โค้ดนี้ดึงเนื้อหา PDF และส่งข้อความที่ได้ไปยังเอเจนต์ตัวเดิม

ผลลัพธ์:

เอาต์พุตของตัววิเคราะห์หนังสือแจ้งสำหรับจดหมายยุติและงดเว้นในรูปแบบ PDF

ภาพที่ 5: เอาต์พุตของตัววิเคราะห์สำหรับจดหมายยุติและงดเว้น

เอเจนต์แยกแยะได้อย่างถูกต้องว่าข้อเรียกร้องทางกฎหมายจากเอกชนต่างจากหนังสือแจ้งของหน่วยงานรัฐหรือศาล รับรู้ว่าเอกสารไม่ได้เรียกเก็บเงิน และปรับคำแนะนำให้เหมาะสม เครื่องมือค้นคว้าดึงหน้าที่เกี่ยวข้องจาก US Copyright Office ซึ่งปรากฏในแหล่งข้อมูลสุดท้าย

สิ่งที่การทดสอบนี้แสดงให้เห็น: เอเจนต์ตัวเดียวกันสามารถจัดการจดหมายโต้ตอบแบบ PDF ระบุลักษณะของข้อเรียกร้องทางกฎหมาย และแนะนำขั้นตอนถัดไปที่เหมาะสม

ประสบการณ์กับ Qwen4-Max: ข้อดี ข้อเสีย และจุดที่น่าหงุดหงิด

หลังจากใช้ Qwen4-Max กับโปรเจ็กต์นี้ แอปพลิเคชันเชิงเอเจนต์อื่นๆ และงานโค้ดแนวทดลอง ความเห็นโดยตรงมีดังนี้

ข้อดี

ระบบนิเวศ Qwen ครอบคลุมหลายด้าน มีทั้งสุนทรพจน์เป็นข้อความ ข้อความเป็นสุนทรพจน์ การค้นเว็บ การสแครปเว็บ และเครื่องมือโอเพ่นซอร์ซสำหรับสร้างแอปเชิงเอเจนต์โดยไม่ต้องลงแรงพัฒนาใหม่ทั้งหมด

สิ่งที่ชอบที่สุดคือ Qwen4-Max ทำตามคำสั่งละเอียดได้ดี โดยทั่วไปเคารปโครงสร้างผลลัพธ์ที่ร้องขอ ดึงวันที่จากเอกสาร และสร้างสรุปได้แม่นยำระหว่างการทดสอบ

ความเข้าใจรูปภาพโดดเด่น ให้รูปถ่ายหนังสือแจ้งทางกฎหมายแล้วอ่านเนื้อหาได้โดยไม่ต้องมีสายงาน OCR เพิ่ม ซึ่งช่วยมากสำหรับแอปเชิงเอเจนต์ที่เน้นเอกสาร

ข้อเสีย

ความเร็วคือปัญหาใหญ่สำหรับการใช้งานของเรา Qwen4-Max ไม่ใช่โมเดลที่ชอบสำหรับงานโค้ดแนวทดลอง เมื่อเทียบกับ DeepSeek V4.1 Flash และโมเดลอื่นๆ ที่ทดสอบ มักใช้เวลานานกว่างานง่ายๆ อย่างเห็นได้ชัด

อัตราการสร้างที่เห็นบ่อยราว 100 โทเคนต่อวินาที แต่ตัวเลขนั้นปกปิดต้นทุนจริง โมเดลใช้เวลามากกับการให้เหตุผลเกี่ยวกับการแก้ไขตรงไปตรงมา บางครั้งขอแก้เพียงเล็กน้อยแต่ต้องรอนานกว่าคาด

หากอยากลองตัวเลือกที่เร็วกว่า ดูใน บทเรียน DeepSeek V4.1 Flash API ของเรา

จุดที่น่าหงุดหงิด

การค้นเว็บแบบเนทีฟเป็นส่วนที่น่าหงุดหงิดที่สุด ระหว่างการทดสอบ เวลาในการตอบไม่สม่ำเสมอ: คำค้นเดียวกันบางครั้งได้ผลในไม่กี่วินาที หรือใช้เวลาราวนาที และบางคำขอใช้เวลามากกว่า 400 วินาทีโดยไม่เสร็จ

การรันเวิร์กโฟลว์ค้นคว้า 3 ครั้งใช้เวลารวมเกือบ 16 นาที ซึ่งไม่น่าเชื่อถือพอสำหรับแอปที่พึ่งพาข้อมูลกฎหมายภายนอก

การเปลี่ยนจากการค้นแบบเนทีฟไปใช้ Olostep จึงเป็นสิ่งจำเป็น ซึ่งหมายความว่าไม่สามารถพึ่งระบบนิเวศ Qwen ได้ทั้งหมดตามแผนเดิม

ยังพบปัญหาอีกเมื่อทดลองกับ DeepSeek Harness ถามคำถามง่ายๆ เกี่ยวกับการค้นคว้าตลาดหุ้น แต่เวิร์กโฟลว์ใช้เวลานานก่อนส่งคืนข้อผิดพลาด น่าหงุดหงิดสำหรับงานที่ควรตรงไปตรงมา

โดยรวม Qwen4-Max มีความสามารถน่าประทับใจ แต่ภาระการให้เหตุผลและการค้นเว็บแบบเนทีฟที่ไม่สม่ำเสมอเป็นสิ่งที่ควรพิจารณาก่อนสร้างเวิร์กโฟลว์ระดับผลิตงานรอบมัน หากต้องการสร้างต่อด้วยโมเดล Qwen ดู บทเรียน Qwen 3.7 Max API ของเราเกี่ยวกับเอเจนต์เพิ่มประสิทธิภาพที่ตรวจทานตนเอง

หัวข้อ