from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Market Researcher",
goal="پیدا کردن بینش‌های معتبر و به‌روز در مورد بازار هدف و رقبا.",
backstory=(
"شما تحلیل‌گری دقیق هستید که ادعاها را بررسی، منابع را ارجاع و "
"نشانه‌ها را از منابع معتبر خلاصه می‌کنید."
),
tools=[], # بعدا ابزارهای جستجو، وب‌خراش اضافه کنید
llm=llm
)
strategist = Agent(
role="Product Strategist",
goal="ترکیب تحقیق‌ها در یک موقعیت‌گذاری دقیق و گزینه‌های نقشه راه.",
backstory="شما وضوح، قابلیت اجرا و نتایج قابل اندازه‌گیری را اولویت می‌دهید.",
tools=[],
llm=llm
)
writer = Agent(
role="Content Writer",
goal="تولید یک خلاصه ساختارمند با مثال‌ها و گام‌های بعدی.",
backstory="شما به انگلیسی مختصر و قانع‌کننده می‌نویسید و راهنماهای سبک را دنبال می‌کنید.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"تحقیق در بازار نرم‌افزار مدیریت پروژه کسب‌وکارهای کوچک و متوسط در آمریکا در سال ۲۰۲۵. "
"شناسایی رقبای اصلی، طبقات قیمت، پروفایل مشتری ایده‌آل و سه نیاز برآورده نشده. "
"خروجی به صورت نکته‌وار با ۳-۵ منبع ارجاعی باشد."
),
expected_output=(
"خلاصه‌ای به فرمت Markdown با بخش‌های: اندازه بازار، بازیگران کلیدی، قیمت‌گذاری، پروفایل مشتری، "
"نیازهای برآورده نشده، منابع (با لینک)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"استفاده از خلاصۀ تحقیق برای تولید بیانیۀ موقعیت‌گذاری، ۲-۳ تمایز و "
"یک نقشه راه ۹۰ روزه با نقاط عطف."
),
expected_output="خلاصه‌ای استراتژیک و مختصر (کمتر از ۴۰۰ کلمه).",
agent=strategist
)
writing_task = Task(
description=(
"تبدیل خلاصۀ استراتژی به یک صفحه عمومی شامل عنوان، "
"ارزش پیشنهادی، نکات ویژگی و دعوت به اقدام."
),
expected_output="یک صفحه Markdown مناسب صفحه فرود.",
agent=writer
)

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

fact_checker = Agent(
role="Fact Checker",
goal="ارزیابی صحت همه ادعاها بر اساس منابع اولیه؛ علامت‌گذاری ارجاعات ضعیف.",
backstory="شکاک، دقیق، بی‌طرف.",
llm=llm
)
qa_task = Task(
description="اعتبارسنجی همه جملات واقعی؛ افزودن اصلاحات در متن با برچسب [FIX].",
expected_output="یک پیش‌نویس اصلاح‌شده با خلاصه اصلاحات.",
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=(
"خلاصه ۵ مطالعه اخیر درباره بهره‌وری کار از راه دور (۲۰۲۳–۲۰۲۵) با "
"روش‌شناسی، حجم نمونه و یافته‌های کلیدی."
),
expected_output=(
"Markdown با بخش‌های H2 برای هر مطالعه، جدول مقایسه نهایی و لینک‌ها."
),
agent=researcher
)

r1 = Agent(role="Researcher A", goal="تمرکز بر قیمت‌گذاری", backstory="", llm=llm)
r2 = Agent(role="Researcher B", goal="تمرکز بر ویژگی‌ها", backstory="", llm=llm)
# وظایف موازی برای r1, r2؛ وظیفه ترکیبی دنبال می‌کند.

qa = Agent(
role="QA Reviewer",
goal="اطمینان از مطابقت خروجی‌ها با معیارهای پذیرش و راهنمای سبک.",
backstory="شما سختگیر و دقیق هستید.",
llm=llm
)

researcher = Agent(
role="تحقیق‌گر تحلیلی",
goal=(
"تحویل خلاصه‌های فشرده، دقیق با ۳-۵ ارجاع معتبر و نوت ریسک."
),
backstory=(
"شما ادعاها را بررسی، منابع اولیه را ترجیح و عدم قطعیت را علامت‌گذاری می‌کنید."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="تعریف ICP و JTBD.", llm=llm)
researcher = Agent(role="Researcher", goal="جمع‌آوری داده‌های معتبر.", llm=llm)
synth = Agent(role="Synthesizer", goal="مقایسه و تفسیر.", llm=llm)
writer = Agent(role="Writer", goal="ایجاد خلاصه اجرایی آماده‌.", llm=llm)
qa = Agent(role="QA", goal="اعتبارسنجی ادعاها و وضوح.", llm=llm)
persona_task = Task(description="تعریف ICP و JTBD برای رهبران RevOps در SaaS.", agent=persona,
expected_output="نکات کلیدی + نقاط درد + معیارهای موفقیت.")
research_task = Task(description="جمع‌آوری قیمت، ویژگی‌ها، و بررسی‌ها برای ۳ ابزار.", agent=researcher,
expected_output="جدول + ۵ ارجاع.")
synth_task = Task(description="ساخت ماتریس مقایسه و ۳ بینش برتر.", agent=synth,
expected_output="جدول Markdown + بینش‌ها.")
write_task = Task(description="پیش‌نویس خلاصۀ یک صفحه با توصیه‌ها.", agent=writer,
expected_output="خلاصۀ اجرایی به فرمت Markdown.")
qa_task = Task(description="بررسی دقت و خوانایی؛ رفع مشکلات.", agent=qa,
expected_output="خلاصۀ پاک و اعتبارسنجی شده.")
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)