from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Investigador de Mercado",
goal="Encontrar información creíble y actual sobre el mercado objetivo y la competencia.",
backstory=(
"Eres un analista diligente que verifica las afirmaciones, cita fuentes y resume "
"señales de publicaciones de renombre."
),
tools=[], # agregar herramientas web/de búsqueda/scraper más tarde
llm=llm
)
strategist = Agent(
role="Estratega de Producto",
goal="Sintetizar la investigación en un posicionamiento nítido y opciones de hoja de ruta.",
backstory="Priorizas la claridad, la viabilidad y los resultados medibles.",
tools=[],
llm=llm
)
writer = Agent(
role="Redactor de Contenido",
goal="Producir un brief bien estructurado con ejemplos y próximos pasos.",
backstory="Escribes en inglés conciso y persuasivo y sigues guías de estilo.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Investiga el mercado de software de gestión de proyectos para PYMES en EE. UU. en 2025. "
"Identifica los principales competidores, los niveles de precios, los ICP y tres necesidades insatisfechas. "
"Devuelve viñetas con 3–5 citas."
),
expected_output=(
"Un brief en markdown con secciones: Tamaño del mercado, Jugadores clave, Precios, ICP, "
"Necesidades insatisfechas, Fuentes (con enlaces)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Utilizando el brief de investigación, produce una declaración de posicionamiento, 2–3 diferenciadores, "
"y una hoja de ruta de 90 días con hitos."
),
expected_output="Un memorando de estrategia conciso (<= 400 palabras).",
agent=strategist
)
writing_task = Task(
description=(
"Convierte el memorando de estrategia en un one-pager público. Incluye un titular, "
"propuesta de valor, viñetas de características y una CTA."
),
expected_output="Un one-pager en markdown adecuado para una landing page.",
agent=writer
)

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

fact_checker = Agent(
role="Verificador de Hechos",
goal="Validar todas las afirmaciones con fuentes primarias; señalar citas débiles.",
backstory="Escéptico, meticuloso, imparcial.",
llm=llm
)
qa_task = Task(
description="Validar todas las declaraciones fácticas; agregar correcciones en línea con etiquetas [FIX].",
expected_output="Un borrador corregido con un resumen de las correcciones.",
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=(
"Resume 5 estudios recientes sobre la productividad del trabajo remoto (2023–2025) con "
"metodología, tamaño de la muestra y hallazgos clave."
),
expected_output=(
"Markdown con secciones H2 por estudio, una tabla de comparación final y enlaces."
),
agent=researcher
)

r1 = Agent(role="Investigador A", goal="Centrarse en los precios", backstory="", llm=llm)
r2 = Agent(role="Investigador B", goal="Centrarse en las características", backstory="", llm=llm)
# Tareas paralelas para r1, r2; una tarea de síntesis de seguimiento fusiona sus salidas.

qa = Agent(
role="Revisor de Control de Calidad",
goal="Asegurar que las salidas cumplan con los criterios de aceptación y la guía de estilo.",
backstory="Eres estricto y pedante.",
llm=llm
)

researcher = Agent(
role="Investigador Analítico",
goal=(
"Entregar briefs compactos y precisos con 3–5 citas creíbles y una nota de riesgo."
),
backstory=(
"Verificas las afirmaciones, prefieres las fuentes primarias y señalas la incertidumbre."
),
llm=llm
)

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

persona = Agent(role="Analista de Personas", goal="Definir ICP y JTBD.", llm=llm)
researcher = Agent(role="Investigador", goal="Recopilar datos creíbles.", llm=llm)
synth = Agent(role="Sintetizador", goal="Comparar e interpretar.", llm=llm)
writer = Agent(role="Redactor", goal="Crear un brief listo para ejecutivos.", llm=llm)
qa = Agent(role="Control de Calidad", goal="Validar las afirmaciones y la claridad.", llm=llm)
persona_task = Task(description="Definir ICP y JTBD para líderes de RevOps en SaaS.", agent=persona,
expected_output="Viñetas + puntos débiles + métricas de éxito.")
research_task = Task(description="Recopilar precios, características y reseñas para 3 herramientas.", agent=researcher,
expected_output="Tabla + 5 citas.")
synth_task = Task(description="Construir una matriz de comparación y los 3 principales insights.", agent=synth,
expected_output="Tabla en markdown + insights.")
write_task = Task(description="Redactar un brief de 1 página con recomendaciones.", agent=writer,
expected_output="Brief ejecutivo en markdown.")
qa_task = Task(description="Verificar la precisión y la legibilidad; solucionar problemas.", agent=qa,
expected_output="Brief limpio y validado.")
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)