Hướng dẫn Qwen4-Max: Xây dựng công cụ phân tích thông báo pháp lý
Xây dựng công cụ phân tích thông báo pháp lý tại Mỹ với Qwen4-Max, Qwen-Agent và Olostep. Gắn cờ lừa đảo, đọc ảnh và PDF, và xác minh tuyên bố với nguồn chính thức.
Bạn đã bao giờ nhận được một thông báo từ cơ quan nhà nước và tự hỏi liệu nó có hợp lệ, bạn có cần phản hồi không, hay ai đó đang cố lừa bạn?
Thông báo pháp lý khó đọc, đặc biệt khi ngôn ngữ phức tạp đi kèm yêu cầu thanh toán và thời hạn. Kẻ lừa đảo lợi dụng sự mơ hồ đó bằng cách giả mạo cơ quan nhà nước và tạo cảm giác khẩn cấp giả.
Trong hướng dẫn này, chúng ta sẽ xây dựng một công cụ phân tích thông báo pháp lý tại Mỹ bằng Qwen4-Max và khung Qwen-Agent. Ứng dụng chấp nhận văn bản, hình ảnh và PDF, gắn cờ các chiến thuật thanh toán đáng ngờ, và tìm kiếm nguồn pháp lý chính thức khi cần xác minh.
Thay vì phụ thuộc hoàn toàn vào mô hình ngôn ngữ lớn (LLM), chúng ta kết hợp với hai công cụ Python. Công cụ đầu dùng biểu thức chính quy để phát hiện chỉ dấu lừa đảo phổ biến. Công cụ thứ hai dùng Olostep để tìm kiếm các trang web chính phủ và Cornell Legal Information Institute (LII).
Tóm tắt nhanh
Chúng ta xây dựng công cụ phân tích thông báo pháp lý với Qwen4-Max, Qwen-Agent và Olostep, chấp nhận văn bản, ảnh và PDF.
Một cổng rủi ro dựa trên regex gắn cờ mẫu lừa đảo và tên miền giả mạo trước khi mô hình thực hiện nghiên cứu.
Một công cụ nghiên cứu giới hạn tra cứu trong các trang .gov và Cornell LII, và agent bỏ qua nghiên cứu khi thông báo rõ ràng là gian lận.
Trong thử nghiệm của tôi, Qwen4-Max đọc tốt thông báo chụp ảnh, nhưng chậm ở tác vụ đơn giản và tính năng tìm web gốc không ổn định.
Qwen4-Max là gì?
Qwen4-Max là mô hình chủ lực của Alibaba trong họ Qwen4, ra mắt ngày 16/11/2026. Đây là mô hình mixture-of-experts thưa (MoE) với cải tiến kiến trúc, thị giác gốc và cửa sổ ngữ cảnh lớn hơn, thiết kế cho suy luận phức tạp và ứng dụng dạng agent.
Những tính năng liên quan nhất đến dự án của chúng ta:
Kiến trúc MoE thưa: Qwen4-Max có 2,4T tham số backbone, 71B kích hoạt mỗi token, và thêm 328B tham số nhúng N-gram. Các lớp Gated DeltaNet và Qwen Sparse Attention giúp giảm chi phí ngữ cảnh dài.
Thị giác gốc: Mô hình đọc ảnh trực tiếp, vì vậy ta có thể gửi ảnh chụp thông báo pháp lý mà không cần xây dựng pipeline OCR riêng.
Cửa sổ ngữ cảnh 1M token: Đủ lớn cho tài liệu dài và nhiều thông tin hỗ trợ.
Hiệu quả token tốt hơn: Theo Alibaba, Qwen4-Max dùng ít hơn khoảng 35% token so với Qwen3.8-Max trên Work360 ở mức nỗ lực suy luận High, và ít hơn khoảng 49% trên Terminal-Bench 4.0. Ở mức Xhigh, giảm lần lượt khoảng 24% và 48%.
Chi phí tác vụ thấp hơn: Trên Work360, Qwen4-Max đạt 52,69, tăng từ 47,74 của Qwen3.8-Max, trong khi chi phí trung bình mỗi tác vụ giảm từ $4,43 xuống $1,67, giảm 62%.
Dưới đây là kết quả benchmark từ thông báo của Alibaba, cho thấy Qwen4-Max cải thiện so với Qwen3.8-Max gần như ở mọi năng lực Alibaba đánh giá:
Công cụ phân tích thông báo pháp lý hoạt động thế nào?
Công cụ là một trợ lý Qwen-Agent đơn lẻ điều phối hai công cụ Python, trong khi Qwen4-Max xử lý hiểu tài liệu và suy luận. Trước khi viết mã, hãy xem quy trình làm việc.
Hình 2: Quy trình của công cụ phân tích thông báo pháp lý.
Quy trình có 6 bước:
Người dùng gửi thông báo dạng văn bản, ảnh, hoặc PDF.
Qwen4-Max đọc tài liệu và xác định nội dung chính.
Agent gọi risk_gate để kiểm tra hướng dẫn thanh toán đáng ngờ, đe dọa và liên kết.
Nếu tài liệu hiển nhiên là gian lận, agent bỏ qua nghiên cứu bên ngoài.
Nếu không, agent gọi lookup_law để tìm kiếm nguồn pháp lý chính thức.
Qwen4-Max tạo phản hồi có cấu trúc với kết luận, tóm tắt, bằng chứng và bước tiếp theo được khuyến nghị.
Lựa chọn thiết kế then chốt là LLM không làm mọi thứ. Python xử lý kiểm tra tất định, Olostep xử lý nghiên cứu bên ngoài, và Qwen4-Max xử lý hiểu tài liệu và suy luận.
Điều đó giữ quy trình đơn giản nhưng vẫn cho agent một công cụ phù hợp cho từng việc. Nếu thuật ngữ agent còn mới với bạn, khóa học Giới thiệu về AI Agents của chúng tôi bao quát các nền tảng mà không cần viết mã.
1. Thiết lập môi trường
Chúng ta sẽ dùng Jupyter Notebook, QwenCloud để truy cập mô hình, và Olostep cho tìm kiếm và thu thập web.
Đầu tiên, tạo tài khoản trên QwenCloud, nạp tín dụng hoặc đăng ký Token Plan, và tạo khóa API từ bảng điều khiển. QwenCloud cung cấp endpoint API theo vùng bạn chọn.
Đặt biến môi trường trong terminal trước khi mở Jupyter Notebook. Bạn cũng có thể đặt ngay trong notebook với 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"Được hỗ trợ bởi
Tôi dùng endpoint của Token Plan, cho phép truy cập mô hình với mức giá ưu đãi. Nếu bạn trả phí theo mức dùng, hãy dùng endpoint QwenCloud hiển thị cho vùng của bạn.
Tiếp theo, cài các phụ thuộc cần thiết trong notebook:
%pip install -q "qwen-agent[rag]" olostep soundfile tqdmĐược hỗ trợ bởi
Phần bổ sung rag thêm các gói xử lý tài liệu như pdfplumber, chúng ta sẽ dùng để đọc PDF. Tính đến phiên bản 0.0.34, Qwen-Agent cũng nhập soundfile và tqdm khi khởi động mà không khai báo phụ thuộc, vì vậy ta cài cả hai rõ ràng.
Cấu hình Qwen4-Max
Tiếp theo, khởi tạo mô hình và client Olostep. Tôi đang dùng vùng Singapore, vùng này cũng có 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"])Được hỗ trợ bởi
Cấu hình này bật đầu vào đa phương thức cho Qwen4-Max, đặt mức nỗ lực suy luận, và khởi tạo client nghiên cứu. Lưu ý OLOSTEP_API_TIMEOUT được đặt trước khi import, vì SDK đọc giá trị này khi tải.
Một vài tùy chọn cấu hình đáng chú ý:
model chỉ định mô hình muốn dùng.
model_type cho phép gửi ảnh qua giao diện đa phương thức tương thích OpenAI.
model_server trỏ tới endpoint từ QWEN_BASE_URL.
max_tokens giới hạn độ dài phản hồi sinh ra.
reasoning_effort điều khiển mức suy luận của mô hình. Ta dùng low để phản hồi nhanh.
OLOSTEP_API_TIMEOUT đặt giới hạn thời gian (giây) cho yêu cầu nghiên cứu.
Tạo helper agent có thể tái sử dụng
Chúng ta sẽ xử lý cả đầu vào văn bản lẫn hình ảnh, nên hãy tạo một hàm dùng lại để chạy agent.
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,)Được hỗ trợ bởi
Hàm này gửi prompt và ảnh tùy chọn tới Qwen-Agent, đợi phản hồi cuối và trích xuất văn bản sinh ra.
Chúng ta cũng cần một helper để đọc PDF.
defread_pdf(path):import pdfplumber
with pdfplumber.open(path)as pdf:return"\n".join(
page.extract_text()or""for page in pdf.pages
)Được hỗ trợ bởi
Hàm này trích xuất văn bản chọn được từ mọi trang PDF và gộp thành một chuỗi.
Lưu ý: pdfplumber không thực hiện OCR. Với PDF quét chỉ chứa ảnh, hãy render mỗi trang thành ảnh và gửi trực tiếp tới Qwen4-Max.
2. Xây dựng phát hiện lừa đảo với cổng rủi ro
Công cụ tùy chỉnh đầu tiên xác định hành vi đáng ngờ. Thay vì yêu cầu LLM nhận diện mọi hướng dẫn thanh toán đáng ngờ, ta có thể dùng regex để phát hiện các chiến thuật lừa đảo đã biết.
Cách này nhanh hơn, tất định, và không tốn token mô hình. Nếu bạn muốn ôn lại cú pháp, khóa học Regular Expressions in Python của chúng tôi có đề cập.
Định nghĩa quy tắc phát hiện lừa đảo
Bắt đầu với danh sách regex và ánh xạ giữa cơ quan nhà nước và tên miền chính thức của họ.
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)\"'<>]+")Được hỗ trợ bởi
Đoạn mã này định nghĩa chỉ dấu lừa đảo và ánh xạ tên cơ quan với tên miền họ thực dùng. Ví dụ, nếu thông báo nhắc đến IRS, ứng dụng sẽ kiểm tra các liên kết so với irs.gov.
Trích xuất và xác thực tên miền
Tiếp theo, ta cần một helper trích xuất hostname từ 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)Được hỗ trợ bởi
Hàm này trích xuất hostname và kiểm tra xem đó có phải tên miền chính thức hoặc một tên miền con hợp lệ không. Phân biệt này quan trọng: kiểm tra endswith() đơn giản có thể chấp nhận fakeirs.gov như một trang IRS.
Triển khai công cụ cổng rủi ro
Giờ ta có thể kết hợp các quy tắc này vào một công cụ Qwen-Agent tùy chỉnh.
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"Được hỗ trợ bởi
Công cụ này quét thông báo để tìm mẫu khớp, kiểm tra URL so với tên miền chính thức của cơ quan, và trả về các chỉ dấu đáng ngờ. Tên cơ quan được khớp theo từ nguyên vẹn, nên "irs" sẽ không khớp trong từ như "first".
Ví dụ, thông báo IRS hư cấu từ Bài kiểm tra 1 cho ra:
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.govĐược hỗ trợ bởi
Agent nhận các kết quả này như một phần ngữ cảnh và dùng chúng để quyết định liệu thông báo có đáng ngờ.
3. Tạo công cụ nghiên cứu pháp lý
Công cụ thứ hai xử lý nghiên cứu bên ngoài. Chúng ta không muốn agent tìm trên các trang ngẫu nhiên, diễn đàn, hay blog hãng luật rồi coi mọi thứ tìm thấy đều có thẩm quyền.
Thay vào đó, ta giới hạn nghiên cứu trong các trang web chính phủ Mỹ và Cornell LII. Ta dùng Olostep vì có thể tìm và thu thập nhiều kết quả trong một yêu cầu. Nếu muốn so sánh với lựa chọn khác, xem hướng dẫn Firecrawl của chúng tôi.
Định nghĩa giới hạn nghiên cứu
Trước hết, xác định nguồn được phép và một số giới hạn lượng thông tin lấy về.
Hàm is_allowed_host() chấp nhận các trang .gov và Cornell LII. Nó tái sử dụng is_official_domain(), nên một trang giả như fakelaw.cornell.edu sẽ bị loại. Chúng ta cũng giữ tối đa 2 trang, mỗi trang tối đa 3.000 ký tự.
Triển khai công cụ LookupLaw
Bây giờ tạo công cụ tùy chỉnh thứ hai.
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.")Được hỗ trợ bởi
Công cụ này gửi yêu cầu tìm kiếm tới Olostep, lọc kết quả, trích xuất nội dung trang, và trả về các đoạn đã chọn cho Qwen4-Max.
Ba chi tiết triển khai đáng chú ý:
Ta lấy tối đa 5 kết quả tìm kiếm nhưng giữ nhiều nhất 2 trang đạt điều kiện.
Ưu tiên Markdown thu thập và dự phòng bằng mô tả trang.
Lưu URL đã lấy trong self.sources để ứng dụng hiển thị sau phân tích.
4. Xây dựng agent với Qwen-Agent và Qwen4-Max
Giờ ta có hai công cụ tùy chỉnh: risk_gate nhận diện hành vi đáng ngờ, và lookup_law truy xuất thông tin pháp lý liên quan. Tiếp theo, tạo agent điều phối chúng.
Một system prompt duy nhất định nghĩa quy trình, thứ tự công cụ và định dạng phản hồi. Qwen-Agent không phải lựa chọn duy nhất cho kiểu xây dựng này, và khóa học Phát triển ứng dụng LLM với LangChain của chúng tôi bao quát một framework khác.
Định nghĩa system prompt
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."""Được hỗ trợ bởi
Prompt này xác định trách nhiệm của agent và ngăn nó bịa thông tin pháp lý. Một hướng dẫn đáng xem kỹ: thời hạn.
Một thông báo gian lận vẫn có thể nêu thời hạn, nên agent phải báo cáo những gì tài liệu tuyên bố đồng thời giải thích thời hạn đó có đáng tin hay không.
Thêm phần tuyên bố miễn trừ và xử lý nguồn
Chúng ta giữ phần tuyên bố miễn trừ ngoài system prompt để Python có thể nối thêm nhất quán.
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.")Được hỗ trợ bởi
Điều này cho ta một thông điệp dự phòng khi nghiên cứu pháp lý không trả về nguồn chính thức, và mọi phản hồi đều kèm tuyên bố miễn trừ.
Tạo hàm phân tích chính
Cuối cùng, kết nối mọi thứ thành một hàm dùng lại.
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}")Được hỗ trợ bởi
Hàm này tạo một agent mới cho mỗi tài liệu, chạy phân tích, thu thập nguồn đã lấy, và trả về phản hồi cuối. Ta tạo LookupLaw() bên trong hàm để mỗi thông báo có danh sách nguồn riêng.
5. Kiểm thử công cụ phân tích thông báo pháp lý
Giờ chúng ta đã có một công cụ phân tích hoạt động. Hãy thử trên 3 tài liệu mẫu:
Một thư lừa đảo IRS hư cấu.
Một bức ảnh thông báo trục xuất (eviction) ở Florida.
Một thư yêu cầu chấm dứt hành vi (cease and desist) dạng PDF.
Mỗi bài kiểm tra khai thác một phần khác nhau của quy trình.
Kiểm tra 1: Thư lừa đảo IRS
Ví dụ đầu là thư lừa đảo IRS hư cấu. Nó cho rằng người nhận nợ $4.870 thuế thu nhập liên bang và phải thanh toán trong 24 giờ.
Nó cũng đe dọa bắt giữ, yêu cầu trả bằng thẻ quà tặng hoặc chuyển khoản, và kèm một website đáng ngờ. Đây là đầu vào mẫu:
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))Được hỗ trợ bởi
Đoạn này tạo một thông báo hư cấu và gửi tới agent để phân tích.
Kết quả:
Hình 3: Đầu ra của công cụ cho thư lừa đảo IRS hư cấu.
Bộ quét tìm thấy nhiều chỉ dấu đáng ngờ, và agent bỏ qua nghiên cứu pháp lý bên ngoài. Đó là điều ta muốn với một vụ lừa đảo rõ ràng: ứng dụng không tốn thêm token cho nghiên cứu khi các kiểm tra tất định đã chỉ ra gian lận.
Điều thử nghiệm này cho thấy: Cổng rủi ro có thể nhận diện các chiến thuật lừa đảo phổ biến và giúp agent tránh nghiên cứu bên ngoài không cần thiết.
Kiểm tra 2: Ảnh chụp thông báo trục xuất
Bài kiểm tra thứ hai tập trung vào thị giác gốc của Qwen4-Max. Thay vì tự trích văn bản, ta gửi trực tiếp ảnh chụp một thông báo trục xuất đến mô hình.
Mẫu của chúng ta là thông báo ba ngày tại Florida yêu cầu $1.850 tiền thuê chưa trả, hoặc bàn giao tài sản trước ngày 23/11/2026. Mã như sau:
Markdown(
analyze_notice(
images=["samples/eviction.png"]))Được hỗ trợ bởi
Đoạn này gửi ảnh thẳng đến Qwen4-Max, nên không cần pipeline OCR riêng. Với một bản xây dựng khác kết hợp thị giác của Qwen và gọi công cụ, xem hướng dẫn API Qwen 3.6 Plus của chúng tôi về xử lý hóa đơn.
Kết quả:
Hình 4: Đầu ra cho ảnh chụp thông báo trục xuất.
Mô hình hiểu được bức ảnh, trích xuất số tiền và thời hạn, và xác định loại thông báo. Nó ghi nhận trang pháp lý lấy về không đủ thông tin để xác minh điều luật, và phát hiện các ô chữ ký và giao nhận trống trong tài liệu mẫu.
Điều thử nghiệm này cho thấy: Qwen4-Max có thể trực tiếp diễn giải tài liệu pháp lý chụp ảnh, trong khi Qwen-Agent điều phối nghiên cứu bổ sung và truyền đạt mức độ chắc chắn.
Kiểm tra 3: PDF thư yêu cầu chấm dứt hành vi
Bài kiểm tra cuối dùng một thư yêu cầu chấm dứt hành vi dài hai trang dạng PDF.
Tài liệu trích dẫn 17 U.S.C. §§ 501 và 512, cáo buộc vi phạm bản quyền, và yêu cầu người nhận gỡ nội dung tranh chấp và xác nhận tuân thủ trước ngày 28/11/2026. PDF có văn bản chọn được, nên ta dùng helper read_pdf(). Mã như sau:
pdf_text = read_pdf("samples/legal.pdf")
Markdown(
analyze_notice(text=pdf_text))Được hỗ trợ bởi
Đoạn này trích nội dung PDF và gửi văn bản kết quả tới cùng một agent.
Kết quả:
Hình 5: Đầu ra cho thư yêu cầu chấm dứt hành vi.
Agent phân biệt đúng giữa yêu cầu pháp lý từ bên tư nhân và thông báo chính thức của cơ quan nhà nước hay tòa án. Nó nhận ra không có yêu cầu tiền và điều chỉnh khuyến nghị. Công cụ nghiên cứu lấy được một trang liên quan từ US Copyright Office, xuất hiện trong phần nguồn cuối.
Điều thử nghiệm này cho thấy: Cùng một agent có thể xử lý thư từ dạng PDF, xác định bản chất yêu cầu pháp lý, và đề xuất bước tiếp theo phù hợp.
Trải nghiệm của tôi với Qwen4-Max: Điểm mạnh, điểm yếu và điểm tệ
Sau khi dùng Qwen4-Max cho dự án này, các ứng dụng agent khác, và vibe coding, đây là đánh giá thẳng thắn của tôi.
Điểm mạnh
Hệ sinh thái Qwen bao phủ nhiều mảng. Nó gồm chuyển giọng nói thành văn bản, văn bản thành giọng nói, tìm kiếm web, thu thập web, và bộ công cụ nguồn mở để xây dựng ứng dụng agent mà không cần tự triển khai mọi thứ.
Điều tôi thích nhất là Qwen4-Max tuân thủ hướng dẫn chi tiết rất tốt. Trong thử nghiệm, nó thường tôn trọng cấu trúc đầu ra yêu cầu, trích xuất ngày tháng từ tài liệu, và tạo tóm tắt chính xác.
Khả năng hiểu ảnh nổi bật. Tôi đưa một ảnh chụp thông báo pháp lý và nó đọc nội dung mà không cần pipeline OCR bổ sung, rất hữu ích cho ứng dụng agent xử lý nhiều tài liệu.
Điểm yếu
Tốc độ là vấn đề lớn nhất với tôi. Qwen4-Max không phải mô hình tôi ưa dùng cho vibe coding: so với DeepSeek V4.1 Flash và các mô hình khác tôi thử, nó thường mất lâu hơn đáng kể để hoàn thành tác vụ đơn giản.
Tôi thường thấy tốc độ sinh khoảng 100 token/giây, nhưng con số đó che giấu chi phí thực. Mô hình dành nhiều thời gian suy luận về các thay đổi đơn giản, và đôi khi tôi yêu cầu chỉnh sửa nhỏ nhưng phải đợi lâu hơn kỳ vọng.
Tính năng tìm web gốc là phần gây bực nhất. Trong thử nghiệm, thời gian phản hồi không nhất quán: cùng một truy vấn có thể trả về trong vài giây hoặc mất gần một phút, và một số yêu cầu chạy quá 400 giây mà không hoàn thành.
Ba lần chạy quy trình nghiên cứu của tôi mất gần 16 phút. Điều đó không đủ tin cậy cho một ứng dụng phụ thuộc thông tin pháp lý bên ngoài.
Thay thế tìm kiếm gốc bằng Olostep trở thành điều bắt buộc, đồng nghĩa tôi không thể dựa hoàn toàn vào hệ sinh thái Qwen như dự định ban đầu.
Tôi gặp một vấn đề khác khi thử nghiệm DeepSeek Harness. Tôi hỏi một câu đơn giản về nghiên cứu thị trường chứng khoán, và quy trình dành nhiều thời gian cho yêu cầu trước khi trả về lỗi. Khá khó chịu cho một tác vụ thẳng thắn như vậy.
Tổng thể, Qwen4-Max có năng lực ấn tượng, nhưng chi phí suy luận và tìm kiếm gốc không ổn định là những yếu tố cần cân nhắc trước khi bạn xây dựng quy trình sản xuất quanh nó. Nếu bạn muốn tiếp tục xây dựng với các mô hình Qwen, hướng dẫn API Qwen 3.7 Max của chúng tôi trình bày một agent năng suất tự đánh giá.
Là một nhà khoa học dữ liệu được chứng nhận, tôi đam mê tận dụng công nghệ tiên tiến để tạo ra các ứng dụng học máy đổi mới. Với nền tảng vững chắc về nhận dạng giọng nói, phân tích và báo cáo dữ liệu, MLOps, AI hội thoại và NLP, tôi đã rèn giũa kỹ năng phát triển các hệ thống thông minh có thể tạo ra tác động thực sự. Bên cạnh chuyên môn kỹ thuật, tôi cũng là một người truyền đạt tốt, có khả năng chắt lọc các khái niệm phức tạp thành ngôn ngữ rõ ràng, súc tích. Nhờ đó, tôi trở thành một blogger được nhiều người quan tâm trong lĩnh vực khoa học dữ liệu, chia sẻ góc nhìn và kinh nghiệm với cộng đồng các chuyên gia dữ liệu ngày càng lớn. Hiện tại, tôi tập trung vào sáng tạo và biên tập nội dung, làm việc với các mô hình ngôn ngữ lớn để phát triển nội dung mạnh mẽ và hấp dẫn, giúp doanh nghiệp và cá nhân tận dụng tối đa dữ liệu của mình.
Nâng cao kỹ năng lập trình của bạn với trí tuệ nhân tạo — hướng dẫn trợ lý lập trình của bạn để viết, kiểm thử và tài liệu hóa mã nguồn một cách hiệu quả.
Bạn đã bao giờ nhận được một thông báo từ cơ quan nhà nước và tự hỏi liệu nó có hợp lệ, bạn có cần phản hồi không, hay ai đó đang cố lừa bạn?
Thông báo pháp lý khó đọc, đặc biệt khi ngôn ngữ phức tạp đi kèm yêu cầu thanh toán và thời hạn. Kẻ lừa đảo lợi dụng sự mơ hồ đó bằng cách giả mạo cơ quan nhà nước và tạo cảm giác khẩn cấp giả.
Trong hướng dẫn này, chúng ta sẽ xây dựng một công cụ phân tích thông báo pháp lý tại Mỹ bằng Qwen4-Max và khung Qwen-Agent. Ứng dụng chấp nhận văn bản, hình ảnh và PDF, gắn cờ các chiến thuật thanh toán đáng ngờ, và tìm kiếm nguồn pháp lý chính thức khi cần xác minh.
Thay vì phụ thuộc hoàn toàn vào mô hình ngôn ngữ lớn (LLM), chúng ta kết hợp với hai công cụ Python. Công cụ đầu dùng biểu thức chính quy để phát hiện chỉ dấu lừa đảo phổ biến. Công cụ thứ hai dùng Olostep để tìm kiếm các trang web chính phủ và Cornell Legal Information Institute (LII).
Tóm tắt nhanh
Qwen4-Max là gì?
Qwen4-Max là mô hình chủ lực của Alibaba trong họ Qwen4, ra mắt ngày 16/11/2026. Đây là mô hình mixture-of-experts thưa (MoE) với cải tiến kiến trúc, thị giác gốc và cửa sổ ngữ cảnh lớn hơn, thiết kế cho suy luận phức tạp và ứng dụng dạng agent.
Những tính năng liên quan nhất đến dự án của chúng ta:
Dưới đây là kết quả benchmark từ thông báo của Alibaba, cho thấy Qwen4-Max cải thiện so với Qwen3.8-Max gần như ở mọi năng lực Alibaba đánh giá:
Hình 1: Kết quả benchmark Qwen4-Max. Ảnh từ: Qwen, Qwen4-Max: Đồng đội mới của bạn đã đến.
Công cụ phân tích thông báo pháp lý hoạt động thế nào?
Công cụ là một trợ lý Qwen-Agent đơn lẻ điều phối hai công cụ Python, trong khi Qwen4-Max xử lý hiểu tài liệu và suy luận. Trước khi viết mã, hãy xem quy trình làm việc.
Hình 2: Quy trình của công cụ phân tích thông báo pháp lý.
Quy trình có 6 bước:
risk_gateđể kiểm tra hướng dẫn thanh toán đáng ngờ, đe dọa và liên kết.lookup_lawđể tìm kiếm nguồn pháp lý chính thức.Lựa chọn thiết kế then chốt là LLM không làm mọi thứ. Python xử lý kiểm tra tất định, Olostep xử lý nghiên cứu bên ngoài, và Qwen4-Max xử lý hiểu tài liệu và suy luận.
Điều đó giữ quy trình đơn giản nhưng vẫn cho agent một công cụ phù hợp cho từng việc. Nếu thuật ngữ agent còn mới với bạn, khóa học Giới thiệu về AI Agents của chúng tôi bao quát các nền tảng mà không cần viết mã.
1. Thiết lập môi trường
Chúng ta sẽ dùng Jupyter Notebook, QwenCloud để truy cập mô hình, và Olostep cho tìm kiếm và thu thập web.
Đầu tiên, tạo tài khoản trên QwenCloud, nạp tín dụng hoặc đăng ký Token Plan, và tạo khóa API từ bảng điều khiển. QwenCloud cung cấp endpoint API theo vùng bạn chọn.
Bạn cũng cần một khóa API Olostep cho nghiên cứu pháp lý.
Đặt biến môi trường trong terminal trước khi mở Jupyter Notebook. Bạn cũng có thể đặt ngay trong notebook với
os.environ.Tôi dùng endpoint của Token Plan, cho phép truy cập mô hình với mức giá ưu đãi. Nếu bạn trả phí theo mức dùng, hãy dùng endpoint QwenCloud hiển thị cho vùng của bạn.
Tiếp theo, cài các phụ thuộc cần thiết trong notebook:
Phần bổ sung
ragthêm các gói xử lý tài liệu như pdfplumber, chúng ta sẽ dùng để đọc PDF. Tính đến phiên bản 0.0.34, Qwen-Agent cũng nhập soundfile và tqdm khi khởi động mà không khai báo phụ thuộc, vì vậy ta cài cả hai rõ ràng.Cấu hình Qwen4-Max
Tiếp theo, khởi tạo mô hình và client Olostep. Tôi đang dùng vùng Singapore, vùng này cũng có Token Plan.
Cấu hình này bật đầu vào đa phương thức cho Qwen4-Max, đặt mức nỗ lực suy luận, và khởi tạo client nghiên cứu. Lưu ý
OLOSTEP_API_TIMEOUTđược đặt trước khi import, vì SDK đọc giá trị này khi tải.Một vài tùy chọn cấu hình đáng chú ý:
modelchỉ định mô hình muốn dùng.model_typecho phép gửi ảnh qua giao diện đa phương thức tương thích OpenAI.model_servertrỏ tới endpoint từQWEN_BASE_URL.max_tokensgiới hạn độ dài phản hồi sinh ra.reasoning_effortđiều khiển mức suy luận của mô hình. Ta dùnglowđể phản hồi nhanh.OLOSTEP_API_TIMEOUTđặt giới hạn thời gian (giây) cho yêu cầu nghiên cứu.Tạo helper agent có thể tái sử dụng
Chúng ta sẽ xử lý cả đầu vào văn bản lẫn hình ảnh, nên hãy tạo một hàm dùng lại để chạy agent.
Hàm này gửi prompt và ảnh tùy chọn tới Qwen-Agent, đợi phản hồi cuối và trích xuất văn bản sinh ra.
Chúng ta cũng cần một helper để đọc PDF.
Hàm này trích xuất văn bản chọn được từ mọi trang PDF và gộp thành một chuỗi.
Lưu ý: pdfplumber không thực hiện OCR. Với PDF quét chỉ chứa ảnh, hãy render mỗi trang thành ảnh và gửi trực tiếp tới Qwen4-Max.
2. Xây dựng phát hiện lừa đảo với cổng rủi ro
Công cụ tùy chỉnh đầu tiên xác định hành vi đáng ngờ. Thay vì yêu cầu LLM nhận diện mọi hướng dẫn thanh toán đáng ngờ, ta có thể dùng regex để phát hiện các chiến thuật lừa đảo đã biết.
Cách này nhanh hơn, tất định, và không tốn token mô hình. Nếu bạn muốn ôn lại cú pháp, khóa học Regular Expressions in Python của chúng tôi có đề cập.
Định nghĩa quy tắc phát hiện lừa đảo
Bắt đầu với danh sách regex và ánh xạ giữa cơ quan nhà nước và tên miền chính thức của họ.
Đoạn mã này định nghĩa chỉ dấu lừa đảo và ánh xạ tên cơ quan với tên miền họ thực dùng. Ví dụ, nếu thông báo nhắc đến IRS, ứng dụng sẽ kiểm tra các liên kết so với irs.gov.
Trích xuất và xác thực tên miền
Tiếp theo, ta cần một helper trích xuất hostname từ URL.
Hàm này trích xuất hostname và kiểm tra xem đó có phải tên miền chính thức hoặc một tên miền con hợp lệ không. Phân biệt này quan trọng: kiểm tra
endswith()đơn giản có thể chấp nhận fakeirs.gov như một trang IRS.Triển khai công cụ cổng rủi ro
Giờ ta có thể kết hợp các quy tắc này vào một công cụ Qwen-Agent tùy chỉnh.
Công cụ này quét thông báo để tìm mẫu khớp, kiểm tra URL so với tên miền chính thức của cơ quan, và trả về các chỉ dấu đáng ngờ. Tên cơ quan được khớp theo từ nguyên vẹn, nên "irs" sẽ không khớp trong từ như "first".
Ví dụ, thông báo IRS hư cấu từ Bài kiểm tra 1 cho ra:
Agent nhận các kết quả này như một phần ngữ cảnh và dùng chúng để quyết định liệu thông báo có đáng ngờ.
3. Tạo công cụ nghiên cứu pháp lý
Công cụ thứ hai xử lý nghiên cứu bên ngoài. Chúng ta không muốn agent tìm trên các trang ngẫu nhiên, diễn đàn, hay blog hãng luật rồi coi mọi thứ tìm thấy đều có thẩm quyền.
Thay vào đó, ta giới hạn nghiên cứu trong các trang web chính phủ Mỹ và Cornell LII. Ta dùng Olostep vì có thể tìm và thu thập nhiều kết quả trong một yêu cầu. Nếu muốn so sánh với lựa chọn khác, xem hướng dẫn Firecrawl của chúng tôi.
Định nghĩa giới hạn nghiên cứu
Trước hết, xác định nguồn được phép và một số giới hạn lượng thông tin lấy về.
Hàm
is_allowed_host()chấp nhận các trang .gov và Cornell LII. Nó tái sử dụngis_official_domain(), nên một trang giả như fakelaw.cornell.edu sẽ bị loại. Chúng ta cũng giữ tối đa 2 trang, mỗi trang tối đa 3.000 ký tự.Triển khai công cụ LookupLaw
Bây giờ tạo công cụ tùy chỉnh thứ hai.
Công cụ này gửi yêu cầu tìm kiếm tới Olostep, lọc kết quả, trích xuất nội dung trang, và trả về các đoạn đã chọn cho Qwen4-Max.
Ba chi tiết triển khai đáng chú ý:
self.sourcesđể ứng dụng hiển thị sau phân tích.4. Xây dựng agent với Qwen-Agent và Qwen4-Max
Giờ ta có hai công cụ tùy chỉnh:
risk_gatenhận diện hành vi đáng ngờ, vàlookup_lawtruy xuất thông tin pháp lý liên quan. Tiếp theo, tạo agent điều phối chúng.Một system prompt duy nhất định nghĩa quy trình, thứ tự công cụ và định dạng phản hồi. Qwen-Agent không phải lựa chọn duy nhất cho kiểu xây dựng này, và khóa học Phát triển ứng dụng LLM với LangChain của chúng tôi bao quát một framework khác.
Định nghĩa system prompt
Prompt này xác định trách nhiệm của agent và ngăn nó bịa thông tin pháp lý. Một hướng dẫn đáng xem kỹ: thời hạn.
Một thông báo gian lận vẫn có thể nêu thời hạn, nên agent phải báo cáo những gì tài liệu tuyên bố đồng thời giải thích thời hạn đó có đáng tin hay không.
Thêm phần tuyên bố miễn trừ và xử lý nguồn
Chúng ta giữ phần tuyên bố miễn trừ ngoài system prompt để Python có thể nối thêm nhất quán.
Điều này cho ta một thông điệp dự phòng khi nghiên cứu pháp lý không trả về nguồn chính thức, và mọi phản hồi đều kèm tuyên bố miễn trừ.
Tạo hàm phân tích chính
Cuối cùng, kết nối mọi thứ thành một hàm dùng lại.
Hàm này tạo một agent mới cho mỗi tài liệu, chạy phân tích, thu thập nguồn đã lấy, và trả về phản hồi cuối. Ta tạo
LookupLaw()bên trong hàm để mỗi thông báo có danh sách nguồn riêng.5. Kiểm thử công cụ phân tích thông báo pháp lý
Giờ chúng ta đã có một công cụ phân tích hoạt động. Hãy thử trên 3 tài liệu mẫu:
Mỗi bài kiểm tra khai thác một phần khác nhau của quy trình.
Kiểm tra 1: Thư lừa đảo IRS
Ví dụ đầu là thư lừa đảo IRS hư cấu. Nó cho rằng người nhận nợ $4.870 thuế thu nhập liên bang và phải thanh toán trong 24 giờ.
Nó cũng đe dọa bắt giữ, yêu cầu trả bằng thẻ quà tặng hoặc chuyển khoản, và kèm một website đáng ngờ. Đây là đầu vào mẫu:
Đoạn này tạo một thông báo hư cấu và gửi tới agent để phân tích.
Kết quả:
Hình 3: Đầu ra của công cụ cho thư lừa đảo IRS hư cấu.
Bộ quét tìm thấy nhiều chỉ dấu đáng ngờ, và agent bỏ qua nghiên cứu pháp lý bên ngoài. Đó là điều ta muốn với một vụ lừa đảo rõ ràng: ứng dụng không tốn thêm token cho nghiên cứu khi các kiểm tra tất định đã chỉ ra gian lận.
Điều thử nghiệm này cho thấy: Cổng rủi ro có thể nhận diện các chiến thuật lừa đảo phổ biến và giúp agent tránh nghiên cứu bên ngoài không cần thiết.
Kiểm tra 2: Ảnh chụp thông báo trục xuất
Bài kiểm tra thứ hai tập trung vào thị giác gốc của Qwen4-Max. Thay vì tự trích văn bản, ta gửi trực tiếp ảnh chụp một thông báo trục xuất đến mô hình.
Mẫu của chúng ta là thông báo ba ngày tại Florida yêu cầu $1.850 tiền thuê chưa trả, hoặc bàn giao tài sản trước ngày 23/11/2026. Mã như sau:
Đoạn này gửi ảnh thẳng đến Qwen4-Max, nên không cần pipeline OCR riêng. Với một bản xây dựng khác kết hợp thị giác của Qwen và gọi công cụ, xem hướng dẫn API Qwen 3.6 Plus của chúng tôi về xử lý hóa đơn.
Kết quả:
Hình 4: Đầu ra cho ảnh chụp thông báo trục xuất.
Mô hình hiểu được bức ảnh, trích xuất số tiền và thời hạn, và xác định loại thông báo. Nó ghi nhận trang pháp lý lấy về không đủ thông tin để xác minh điều luật, và phát hiện các ô chữ ký và giao nhận trống trong tài liệu mẫu.
Điều thử nghiệm này cho thấy: Qwen4-Max có thể trực tiếp diễn giải tài liệu pháp lý chụp ảnh, trong khi Qwen-Agent điều phối nghiên cứu bổ sung và truyền đạt mức độ chắc chắn.
Kiểm tra 3: PDF thư yêu cầu chấm dứt hành vi
Bài kiểm tra cuối dùng một thư yêu cầu chấm dứt hành vi dài hai trang dạng PDF.
Tài liệu trích dẫn 17 U.S.C. §§ 501 và 512, cáo buộc vi phạm bản quyền, và yêu cầu người nhận gỡ nội dung tranh chấp và xác nhận tuân thủ trước ngày 28/11/2026. PDF có văn bản chọn được, nên ta dùng helper
read_pdf(). Mã như sau:Đoạn này trích nội dung PDF và gửi văn bản kết quả tới cùng một agent.
Kết quả:
Hình 5: Đầu ra cho thư yêu cầu chấm dứt hành vi.
Agent phân biệt đúng giữa yêu cầu pháp lý từ bên tư nhân và thông báo chính thức của cơ quan nhà nước hay tòa án. Nó nhận ra không có yêu cầu tiền và điều chỉnh khuyến nghị. Công cụ nghiên cứu lấy được một trang liên quan từ US Copyright Office, xuất hiện trong phần nguồn cuối.
Điều thử nghiệm này cho thấy: Cùng một agent có thể xử lý thư từ dạng PDF, xác định bản chất yêu cầu pháp lý, và đề xuất bước tiếp theo phù hợp.
Trải nghiệm của tôi với Qwen4-Max: Điểm mạnh, điểm yếu và điểm tệ
Sau khi dùng Qwen4-Max cho dự án này, các ứng dụng agent khác, và vibe coding, đây là đánh giá thẳng thắn của tôi.
Điểm mạnh
Hệ sinh thái Qwen bao phủ nhiều mảng. Nó gồm chuyển giọng nói thành văn bản, văn bản thành giọng nói, tìm kiếm web, thu thập web, và bộ công cụ nguồn mở để xây dựng ứng dụng agent mà không cần tự triển khai mọi thứ.
Điều tôi thích nhất là Qwen4-Max tuân thủ hướng dẫn chi tiết rất tốt. Trong thử nghiệm, nó thường tôn trọng cấu trúc đầu ra yêu cầu, trích xuất ngày tháng từ tài liệu, và tạo tóm tắt chính xác.
Khả năng hiểu ảnh nổi bật. Tôi đưa một ảnh chụp thông báo pháp lý và nó đọc nội dung mà không cần pipeline OCR bổ sung, rất hữu ích cho ứng dụng agent xử lý nhiều tài liệu.
Điểm yếu
Tốc độ là vấn đề lớn nhất với tôi. Qwen4-Max không phải mô hình tôi ưa dùng cho vibe coding: so với DeepSeek V4.1 Flash và các mô hình khác tôi thử, nó thường mất lâu hơn đáng kể để hoàn thành tác vụ đơn giản.
Tôi thường thấy tốc độ sinh khoảng 100 token/giây, nhưng con số đó che giấu chi phí thực. Mô hình dành nhiều thời gian suy luận về các thay đổi đơn giản, và đôi khi tôi yêu cầu chỉnh sửa nhỏ nhưng phải đợi lâu hơn kỳ vọng.
Nếu bạn muốn thử lựa chọn nhanh hơn, chúng tôi có đề cập trong hướng dẫn API DeepSeek V4.1 Flash.
Điểm tệ
Tính năng tìm web gốc là phần gây bực nhất. Trong thử nghiệm, thời gian phản hồi không nhất quán: cùng một truy vấn có thể trả về trong vài giây hoặc mất gần một phút, và một số yêu cầu chạy quá 400 giây mà không hoàn thành.
Ba lần chạy quy trình nghiên cứu của tôi mất gần 16 phút. Điều đó không đủ tin cậy cho một ứng dụng phụ thuộc thông tin pháp lý bên ngoài.
Thay thế tìm kiếm gốc bằng Olostep trở thành điều bắt buộc, đồng nghĩa tôi không thể dựa hoàn toàn vào hệ sinh thái Qwen như dự định ban đầu.
Tôi gặp một vấn đề khác khi thử nghiệm DeepSeek Harness. Tôi hỏi một câu đơn giản về nghiên cứu thị trường chứng khoán, và quy trình dành nhiều thời gian cho yêu cầu trước khi trả về lỗi. Khá khó chịu cho một tác vụ thẳng thắn như vậy.
Tổng thể, Qwen4-Max có năng lực ấn tượng, nhưng chi phí suy luận và tìm kiếm gốc không ổn định là những yếu tố cần cân nhắc trước khi bạn xây dựng quy trình sản xuất quanh nó. Nếu bạn muốn tiếp tục xây dựng với các mô hình Qwen, hướng dẫn API Qwen 3.7 Max của chúng tôi trình bày một agent năng suất tự đánh giá.