from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Chercheur en marché",
goal="Trouver des informations crédibles et actuelles sur le marché cible et les concurrents.",
backstory=(
"Vous êtes un analyste diligent qui vérifie les affirmations, cite les sources et résume "
"les signaux provenant de publications réputées."
),
tools=[], # ajouter des outils web/search/scraper plus tard
llm=llm
)
strategist = Agent(
role="Stratège produit",
goal="Synthétiser la recherche en un positionnement clair et des options de feuille de route.",
backstory="Vous privilégiez la clarté, la faisabilité et les résultats mesurables.",
tools=[],
llm=llm
)
writer = Agent(
role="Rédacteur de contenu",
goal="Produire un brief bien structuré avec des exemples et les prochaines étapes.",
backstory="Vous écrivez dans un anglais concis et persuasif et suivez les guides de style.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Rechercher le marché américain des logiciels de gestion de projet pour PME en 2025. "
"Identifier les principaux concurrents, les niveaux de prix, les ICP et trois besoins non satisfaits. "
"Retourner des puces avec 3 à 5 citations."
),
expected_output=(
"Un brief markdown avec les sections : Taille du marché, Acteurs clés, Prix, ICP, "
"Besoins non satisfaits, Sources (avec liens)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"En utilisant le brief de recherche, produire un énoncé de positionnement, 2 à 3 différenciateurs, "
"et une feuille de route de 90 jours avec des jalons."
),
expected_output="Un mémo de stratégie concis (<= 400 mots).",
agent=strategist
)
writing_task = Task(
description=(
"Transformer le mémo de stratégie en un document d'une page à destination du public. Inclure un titre, "
"une proposition de valeur, des puces de fonctionnalités et un CTA."
),
expected_output="Un document d'une page markdown adapté à une page de destination.",
agent=writer
)

from crewai import Crew
crew = Crew(
agents=[researcher, strategist, writer],
tasks=[research_task, synthesis_task, writing_task],
process="sequential", # transmettre les sorties dans l'ordre
verbose=True
)
result = crew.kickoff
print(result)

fact_checker = Agent(
role="Vérificateur de faits",
goal="Valider toutes les affirmations par rapport aux sources primaires ; signaler les citations faibles.",
backstory="Sceptique, méticuleux, impartial.",
llm=llm
)
qa_task = Task(
description="Valider toutes les déclarations factuelles ; ajouter des corrections en ligne avec les balises [FIX].",
expected_output="Un brouillon corrigé avec un résumé des corrections.",
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=(
"Résumer 5 études récentes sur la productivité du travail à distance (2023-2025) avec "
"méthodologie, taille de l'échantillon et principales conclusions."
),
expected_output=(
"Markdown avec des sections H2 par étude, un tableau de comparaison final et des liens."
),
agent=researcher
)

r1 = Agent(role="Chercheur A", goal="Se concentrer sur les prix", backstory="", llm=llm)
r2 = Agent(role="Chercheur B", goal="Se concentrer sur les fonctionnalités", backstory="", llm=llm)
# Tâches parallèles pour r1, r2 ; une tâche de synthèse de suivi fusionne leurs sorties.

qa = Agent(
role="Réviseur d'AQ",
goal="S'assurer que les sorties répondent aux critères d'acceptation et au guide de style.",
backstory="Vous êtes strict et pédant.",
llm=llm
)

researcher = Agent(
role="Chercheur analytique",
goal=(
"Fournir des briefs compacts et précis avec 3 à 5 citations crédibles et une note de risque."
),
backstory=(
"Vous vérifiez les affirmations, préférez les sources primaires et signalez l'incertitude."
),
llm=llm
)

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

persona = Agent(role="Analyste de persona", goal="Définir l'ICP et JTBD.", llm=llm)
researcher = Agent(role="Chercheur", goal="Recueillir des données crédibles.", llm=llm)
synth = Agent(role="Synthétiseur", goal="Comparer et interpréter.", llm=llm)
writer = Agent(role="Rédacteur", goal="Créer un brief prêt pour la direction.", llm=llm)
qa = Agent(role="AQ", goal="Valider les affirmations et la clarté.", llm=llm)
persona_task = Task(description="Définir l'ICP et JTBD pour les responsables RevOps dans SaaS.", agent=persona,
expected_output="Puces + points sensibles + mesures de réussite.")
research_task = Task(description="Recueillir les prix, les fonctionnalités et les avis pour 3 outils.", agent=researcher,
expected_output="Tableau + 5 citations.")
synth_task = Task(description="Construire une matrice de comparaison et les 3 principaux aperçus.", agent=synth,
expected_output="Tableau Markdown + aperçus.")
write_task = Task(description="Rédiger un brief d'une page avec des recommandations.", agent=writer,
expected_output="Brief exécutif en markdown.")
qa_task = Task(description="Vérifier l'exactitude et la lisibilité ; corriger les problèmes.", agent=qa,
expected_output="Brief propre et validé.")
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)