from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Маркетингов изследовател",
goal="Намерете достоверна и актуална информация за целевия пазар и конкуренти.",
backstory=(
"Вие сте усърден анализатор, който проверява твърдения, цитира източници и обобщава "
"сигнали от надеждни публикации."
),
tools=[], # добавете по-късно инструменти за уеб търсене/скрейпинг
llm=llm
)
strategist = Agent(
role="Продуктов стратег",
goal="Синтезирайте изследванията в ясна позиция и варианти за пътна карта.",
backstory="Вие приоритизирате яснота, приложимост и измерими резултати.",
tools=[],
llm=llm
)
writer = Agent(
role="Копирайтър",
goal="Създайте добре структурирано резюме с примери и следващи стъпки.",
backstory="Пишете кратко, убедително на английски и следвате стилистични насоки.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Изследвайте пазара на софтуер за управление на проекти за малки и средни предприятия в САЩ през 2025 г. "
"Идентифицирайте водещите конкуренти, ценови нива, целеви профили на клиентите и три непокрити нужди. "
"Върнете точков списък с 3-5 цитата."
),
expected_output=(
"Маркирано резюме с раздели: Размер на пазара, Основни играчи, Ценообразуване, ICP, "
"Непокрити нужди, Източници (с връзки)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Използвайки изследователското резюме, създайте позициониращо изявление, 2-3 отличителни белега, "
"и 90-дневна пътна карта с етапи."
),
expected_output="Сбито стратегическо съобщение (до 400 думи).",
agent=strategist
)
writing_task = Task(
description=(
"Превърнете стратегическия меморандум в публично достъпен едностранен документ. Включете заглавие, "
"ценностно предложение, ключови характеристики и призив за действие."
),
expected_output="Маркирана едностранна страница, подходяща за лендинг страница.",
agent=writer
)

from crewai import Crew
crew = Crew(
agents=[researcher, strategist, writer],
tasks=[research_task, synthesis_task, writing_task],
process="sequential", # предавайте резултатите по поръчка
verbose=True
)
result = crew.kickoff
print(result)

fact_checker = Agent(
role="Проверяващ факти",
goal="Валидира всички твърдения чрез първични източници; маркирай слаби цитати.",
backstory="Скептичен, прецизен, безпристрастен.",
llm=llm
)
qa_task = Task(
description="Валидирай всички фактически твърдения; добавяй корекции с [FIX] тагове.",
expected_output="Коригирана чернова с обобщение на поправките.",
agent=fact_checker
)

from langchain_community.tools import DuckDuckGoSearchRun
from langchain_community.document_loaders import WebBaseLoader
search = DuckDuckGoSearchRun
def web_search_tool(query: str):
return search.run(query)
def read_url_tool(url: str):
loader = WebBaseLoader(url)
docs = loader.load
return "\n\n".join([d.page_content[:2000] for d in docs])
researcher.tools = [web_search_tool, read_url_tool]

Task(
description=(
"Обобщение на 5 скорошни проучвания за продуктивността при дистанционна работа (2023–2025) с "
"методология, размер на извадката и ключови изводи."
),
expected_output=(
"Markdown с H2 секции за всяко проучване, финална сравнителна таблица и връзки."
),
agent=researcher
)

r1 = Agent(role="Изследовател A", goal="Фокус върху ценообразуването", backstory="", llm=llm)
r2 = Agent(role="Изследовател B", goal="Фокус върху характеристиките", backstory="", llm=llm)
# Паралелни задачи за r1 и r2; след това задача за синтез, която обединява резултатите им.

qa = Agent(
role="QA рецензент",
goal="Осигурете съответствие на изходите с критериите за приемане и стилистични насоки.",
backstory="Строг и педантичен.",
llm=llm
)

researcher = Agent(
role="Аналитичен изследовател",
goal=(
"Доставя компактни, точни резюмета с 3-5 достоверни цитата и оценка на риска."
),
backstory=(
"Проверява твърдения, предпочита първични източници и маркира несигурност."
),
llm=llm
)

crew = Crew(..., verbose=True, output_log_file="runs/2025-crew.log")

persona = Agent(role="Persona Analyst", goal="Define ICP and JTBD.", llm=llm)
researcher = Agent(role="Researcher", goal="Collect credible data.", llm=llm)
synth = Agent(role="Synthesizer", goal="Compare and interpret.", llm=llm)
writer = Agent(role="Writer", goal="Create an executive-ready brief.", llm=llm)
qa = Agent(role="QA", goal="Validate claims and clarity.", llm=llm)
persona_task = Task(description="Define ICP & JTBD for RevOps leaders in SaaS.", agent=persona,
expected_output="Bullets + pain points + success metrics.")
research_task = Task(description="Collect pricing, features, and reviews for 3 tools.", agent=researcher,
expected_output="Table + 5 citations.")
synth_task = Task(description="Build a comparison matrix and top 3 insights.", agent=synth,
expected_output="Markdown table + insights.")
write_task = Task(description="Draft a 1-page brief with recommendations.", agent=writer,
expected_output="Executive brief in markdown.")
qa_task = Task(description="Check accuracy and readability; fix issues.", agent=qa,
expected_output="Clean, validated brief.")
crew = Crew(agents=[persona, researcher, synth, writer, qa],
tasks=[persona_task, research_task, synth_task, write_task, qa_task],
process="sequential", verbose=True)
print(crew.kickoff)