from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Investigador de mercat",
goal="Trobar coneixements actuals i creïbles sobre el mercat objectiu i els competidors.",
backstory=(
"Ets un analista diligent que verifica les afirmacions, cita les fonts i resumeix "
"senyals de publicacions de renom."
),
tools=[], # afegeix eines web/de cerca/scraper més tard
llm=llm
)
strategist = Agent(
role="Estratega de producte",
goal="Sintetitzar la investigació en un posicionament nítid i opcions de full de ruta.",
backstory="Prioritzes la claredat, la viabilitat i els resultats mesurables.",
tools=[],
llm=llm
)
writer = Agent(
role="Escriptor de contingut",
goal="Produir un resum ben estructurat amb exemples i passos següents.",
backstory="Escrius en anglès concís i persuasiu i segueixes les guies d'estil.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Investigar el mercat de programari de gestió de projectes per a les PIME als EUA el 2025. "
"Identificar els principals competidors, nivells de preus, ICPs i tres necessitats no satisfetes. "
"Retornar punts amb 3–5 citacions."
),
expected_output=(
"Un resum en markdown amb seccions: Mida del mercat, actors clau, preus, ICPs, "
"Necessitats no satisfetes, fonts (amb enllaços)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Utilitzant el resum de la investigació, produir una declaració de posicionament, 2–3 diferenciadors, "
"i un full de ruta de 90 dies amb fites."
),
expected_output="Una nota estratègica concisa (<= 400 paraules).",
agent=strategist
)
writing_task = Task(
description=(
"Convertir la nota estratègica en un document d'una pàgina orientat al públic. Incloure un titular, "
"proposta de valor, punts de característiques i una CTA."
),
expected_output="Un document d'una pàgina en markdown adequat per a una pàgina de destí.",
agent=writer
)

from crewai import Crew
crew = Crew(
agents=[researcher, strategist, writer],
tasks=[research_task, synthesis_task, writing_task],
process="sequential", # lliurar sortides en ordre
verbose=True
)
result = crew.kickoff
print(result)

fact_checker = Agent(
role="Verificador de fets",
goal="Validar totes les afirmacions amb fonts primàries; marcar les citacions febles.",
backstory="Escèptic, meticulós, imparcial.",
llm=llm
)
qa_task = Task(
description="Validar totes les declaracions factuals; afegir correccions en línia amb etiquetes [FIX].",
expected_output="Un esborrany corregit amb un resum de les correccions.",
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=(
"Resumir 5 estudis recents sobre la productivitat del treball remot (2023–2025) amb "
"metodologia, mida de la mostra i conclusions clau."
),
expected_output=(
"Markdown amb seccions H2 per estudi, una taula de comparació final i enllaços."
),
agent=researcher
)

r1 = Agent(role="Investigador A", goal="Centrar-se en els preus", backstory="", llm=llm)
r2 = Agent(role="Investigador B", goal="Centrar-se en les característiques", backstory="", llm=llm)
# Tasques paral·leles per a r1, r2; una tasca de síntesi de seguiment fusiona les seves sortides.

qa = Agent(
role="Revisor de control de qualitat",
goal="Assegurar-se que les sortides compleixen els criteris d'acceptació i la guia d'estil.",
backstory="Ets estricte i pedant.",
llm=llm
)

researcher = Agent(
role="Investigador analític",
goal=(
"Lliurar resums compactes i precisos amb 3–5 citacions creïbles i una nota de risc."
),
backstory=(
"Verifiques les afirmacions, prefereixes les fonts primàries i marques la incertesa."
),
llm=llm
)

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

persona = Agent(role="Analista de persona", goal="Defineix ICP i JTBD.", llm=llm)
researcher = Agent(role="Investigador", goal="Recopila dades creïbles.", llm=llm)
synth = Agent(role="Sintetitzador", goal="Comparar i interpretar.", llm=llm)
writer = Agent(role="Escriptor", goal="Crea un resum llest per a executius.", llm=llm)
qa = Agent(role="QA", goal="Valida les afirmacions i la claredat.", llm=llm)
persona_task = Task(description="Defineix ICP & JTBD per als líders de RevOps en SaaS.", agent=persona,
expected_output="Punts + punts de dolor + mètriques d'èxit.")
research_task = Task(description="Recopila preus, característiques i ressenyes per a 3 eines.", agent=researcher,
expected_output="Taula + 5 citacions.")
synth_task = Task(description="Construeix una matriu de comparació i els 3 principals coneixements.", agent=synth,
expected_output="Taula de markdown + coneixements.")
write_task = Task(description="Redacta un resum d'1 pàgina amb recomanacions.", agent=writer,
expected_output="Resum executiu en markdown.")
qa_task = Task(description="Comprova la precisió i la llegibilitat; soluciona els problemes.", agent=qa,
expected_output="Resum net i validat.")
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)