from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Marktforscher",
goal="Finden Sie glaubwürdige, aktuelle Einblicke in den Zielmarkt und die Wettbewerber.",
backstory=(
"Sie sind ein sorgfältiger Analyst, der Behauptungen überprüft, Quellen zitiert und "
"Signale aus seriösen Publikationen zusammenfasst."
),
tools=[], # später Web-/Such-/Scraper-Tools hinzufügen
llm=llm
)
strategist = Agent(
role="Produktstratege",
goal="Synthetisieren Sie Forschungsergebnisse zu einer prägnanten Positionierung und Roadmap-Optionen.",
backstory="Sie priorisieren Klarheit, Machbarkeit und messbare Ergebnisse.",
tools=[],
llm=llm
)
writer = Agent(
role="Content-Autor",
goal="Erstellen Sie ein gut strukturiertes Briefing mit Beispielen und nächsten Schritten.",
backstory="Sie schreiben in prägnantem, überzeugendem Englisch und befolgen Styleguides.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Recherchieren Sie den US-amerikanischen Markt für SMB-Projektmanagementsoftware im Jahr 2025. "
"Identifizieren Sie Top-Wettbewerber, Preisstufen, ICPs und drei unerfüllte Bedürfnisse. "
"Geben Sie Stichpunkte mit 3–5 Zitaten zurück."
),
expected_output=(
"Ein Markdown-Briefing mit den Abschnitten: Marktgröße, Hauptakteure, Preisgestaltung, ICPs, "
"Unerfüllte Bedürfnisse, Quellen (mit Links)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Erstellen Sie anhand des Recherche-Briefings eine Positionierungsaussage, 2–3 Unterscheidungsmerkmale "
"und eine 90-Tage-Roadmap mit Meilensteinen."
),
expected_output="Ein prägnantes Strategie-Memo (<= 400 Wörter).",
agent=strategist
)
writing_task = Task(
description=(
"Verwandeln Sie das Strategie-Memo in eine öffentlich zugängliche One-Pager-Seite. Fügen Sie eine Überschrift, "
"ein Wertversprechen, Feature-Bulletpoints und eine CTA hinzu."
),
expected_output="Ein Markdown-One-Pager, der für eine Landingpage geeignet ist.",
agent=writer
)

from crewai import Crew
crew = Crew(
agents=[researcher, strategist, writer],
tasks=[research_task, synthesis_task, writing_task],
process="sequential", # Übergabe der Ausgaben in der Reihenfolge
verbose=True
)
result = crew.kickoff
print(result)

fact_checker = Agent(
role="Faktenprüfer",
goal="Validieren Sie alle Behauptungen anhand von Primärquellen; kennzeichnen Sie schwache Zitate.",
backstory="Skeptisch, akribisch, unvoreingenommen.",
llm=llm
)
qa_task = Task(
description="Validieren Sie alle Tatsachenbehauptungen; fügen Sie Korrekturen inline mit [FIX]-Tags hinzu.",
expected_output="Ein korrigierter Entwurf mit einer Zusammenfassung der Korrekturen.",
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=(
"Fassen Sie 5 aktuelle Studien zur Produktivität bei Remote-Arbeit (2023–2025) mit "
"Methodik, Stichprobengröße und wichtigste Ergebnisse zusammen."
),
expected_output=(
"Markdown mit H2-Abschnitten pro Studie, einer abschließenden Vergleichstabelle und Links."
),
agent=researcher
)

r1 = Agent(role="Forscher A", goal="Konzentrieren Sie sich auf die Preisgestaltung", backstory="", llm=llm)
r2 = Agent(role="Forscher B", goal="Konzentrieren Sie sich auf Funktionen", backstory="", llm=llm)
# Parallele Aufgaben für r1, r2; eine anschließende Syntheseaufgabe führt ihre Ausgaben zusammen.

qa = Agent(
role="QA-Gutachter",
goal="Stellen Sie sicher, dass die Ausgaben die Akzeptanzkriterien und den Styleguide erfüllen.",
backstory="Sie sind streng und pedantisch.",
llm=llm
)

researcher = Agent(
role="Analytischer Forscher",
goal=(
"Liefern Sie kompakte, genaue Briefings mit 3–5 glaubwürdigen Zitaten und einem Risikohinweis."
),
backstory=(
"Sie überprüfen Behauptungen, bevorzugen Primärquellen und kennzeichnen Unsicherheit."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="Definieren Sie ICP und JTBD.", llm=llm)
researcher = Agent(role="Forscher", goal="Sammeln Sie glaubwürdige Daten.", llm=llm)
synth = Agent(role="Synthesizer", goal="Vergleichen und interpretieren Sie.", llm=llm)
writer = Agent(role="Autor", goal="Erstellen Sie ein Briefing, das für Führungskräfte geeignet ist.", llm=llm)
qa = Agent(role="QA", goal="Validieren Sie Behauptungen und Klarheit.", llm=llm)
persona_task = Task(description="Definieren Sie ICP & JTBD für RevOps-Führungskräfte in SaaS.", agent=persona,
expected_output="Aufzählungspunkte + Pain Points + Erfolgsmetriken.")
research_task = Task(description="Sammeln Sie Preise, Funktionen und Bewertungen für 3 Tools.", agent=researcher,
expected_output="Tabelle + 5 Zitate.")
synth_task = Task(description="Erstellen Sie eine Vergleichsmatrix und die Top 3 Erkenntnisse.", agent=synth,
expected_output="Markdown-Tabelle + Erkenntnisse.")
write_task = Task(description="Entwerfen Sie ein 1-seitiges Briefing mit Empfehlungen.", agent=writer,
expected_output="Executive Briefing in Markdown.")
qa_task = Task(description="Überprüfen Sie die Genauigkeit und Lesbarkeit; beheben Sie Probleme.", agent=qa,
expected_output="Sauberes, validiertes Briefing.")
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)