from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Market Researcher",
goal="ટાર્ગેટ માર્કેટ અને સ્પર્ધકો પર વિશ્વસનીય, તાજા જાણકારી શોધવી.",
backstory=(
"તમે એક પરિશ્રમી વિશ્લેષક છો જે દાવાઓની પુષ્ટિ કરો છો, સ્ત્રોતો ઉલ્લેખો છો, અને "
"પ્રતિષ્ઠિત પ્રકાશનોમાંથી સંકેતોનું સારાંશ બનાવો છો."
),
tools=[], # પછી વેબ/શોધ/સ્ક્રેપિંગ ટૂલ્સ ઉમેરશો
llm=llm
)
strategist = Agent(
role="Product Strategist",
goal="સંશોધનથી એક સ્પષ્ટ પોઝિશનિંગ અને રોડમૅપ વિકલ્પો તૈયાર કરો.",
backstory="તમે સ્પષ્ટતા, વાસ્તવિકતા અને માપવામાં આવનારા પરિણામોને પ્રાધાન્ય આપો છો.",
tools=[],
llm=llm
)
writer = Agent(
role="Content Writer",
goal="ચંતનશીલ અને સઘન માહિતીસભર બ્રીફ બનાવો જેમાં ઉદાહરણો અને આગળના પગલાં શામેલ થાય.",
backstory="તમે સંક્ષિપ્ત, પ્રભાવશાળી અંગ્રેજી લખો છો અને શૈલી માર્ગદર્શનમાં અનુસરો છો.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"2025 માં US SMB પ્રોજેક્ટ મેનેજમેન્ટ સોફ્ટવેર માર્કેટનો સંશોધન કરો. "
"ટોચના સ્પર્ધકો, કિંમતી શ્રેણીઓ, ICPs અને ત્રણ અપૂર્ણ જરૂરિયાતો ઓળખો. "
"3-5 ઉદ્ધરણ સાથે બુલેટ પોઈન્ટ્સ આપો."
),
expected_output=(
"માર્કડાઉન બ્રીફ જેમાં વિભાગો હોય: માર્કેટ કદ, મુખ્ય ખેલાડીઓ, કિંમત, ICPs, "
"અપૂર્ણ જરૂરિયાતો, સ્ત્રોતો (લિંક્સ સાથે)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"સંશોધન બ્રીફનો ઉપયોગ કરીને, એક પોઝિશનિંગ સ્ટેટમેન્ટ, 2-3 ભિન્નતાઓ, "
"અને 90-દિવસની રોડમૅપ માઈલસ્ટોન સાથે બનાવો."
),
expected_output="એક સંક્ષિપ્ત સ્ટ્રેટેજી મેમો (400 શબ્દોના અંદર).",
agent=strategist
)
writing_task = Task(
description=(
"સ્ટ્રેટેજી મેમોને જાહેર માટે એક પેજમાં ફેરવાવો. હેડલાઈન, "
"વેલ્યુ પ્રપોજિશન, ફીચર બુલેટ્સ અને CTA શામેલ કરો."
),
expected_output="લેડિંગ પેજ માટે સુટેબલ માર્કડાઉન એક-પેજર.",
agent=writer
)

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

fact_checker = Agent(
role="Fact Checker",
goal="બધા દાવાઓ પ્રાથમિક સ્રોતો સામે માન્ય કરો; કબજાકાર ઉલ્લેખોને ફ્લેગ કરો.",
backstory="શંકાસ્પદ, વિવેકપૂર્ણ, નિપક્ષ.",
llm=llm
)
qa_task = Task(
description="બધા તથ્યવાદોની માન્યતા કરો; [FIX] ટેગ સાથે inline સુધારાઓ ઉમેરો.",
expected_output="સુધારેલ ડ્રાફ્ટ સાથે સુધારાઓનું સારાંશ.",
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=(
"2023-2025 સુધી 5 તાજા અભ્યાસોની રિમોટ વર્ક ઉત્પાદનક્ષમતા સંક્ષેપ (પદ્ધતિ, નમૂનો કદ અને મુખ્ય શોધો સાથે)."
),
expected_output=(
"H2 વિભાગો સાથે માર્કડાઉન, એક આખરી સરખામણી ટેબલ, અને લિંક્સ."
),
agent=researcher
)

r1 = Agent(role="Researcher A", goal="કિંમત પર ધ્યાન કેન્દ્રિત કરો", backstory="", llm=llm)
r2 = Agent(role="Researcher B", goal="ફીચર્સ પર ધ્યાન કેન્દ્રિત કરો", backstory="", llm=llm)
# r1, r2 માટે સમમુલ્ય ટાસ્ક; પછીનું સંશ્લેષણ તેમના આઉટપુટ્સ જોડે છે.

qa = Agent(
role="QA Reviewer",
goal="આઉટપુટ્સ સ્વીકાર્યતા માપદંડ અને શૈલી માર્ગદર્શિકા સાથે મેળ ખાતા હોય તે સુનિશ્ચિત કરો.",
backstory="તમે કડક અનેાસરકારક છો.",
llm=llm
)

researcher = Agent(
role="Analytical Researcher",
goal=(
"3-5 વિશ્વસનીય ઉદ્ધરણો અને જોખમ ટિપ્પણી સાથે સંક્ષિપ્ત અને ચોક્કસ બ્રીફ્સ આપો."
),
backstory=(
"તમે દાવાઓની પુષ્ટિ કરો, પ્રાથમિક સ્રોતોને પ્રાધાન્ય આપો અને અનિશ્ચિતતા ચિહ્નિત કરો."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="ICP અને JTBD નિર્ધારિત કરો.", llm=llm)
researcher = Agent(role="Researcher", goal="વિશ્વસનીય ડેટા એકઠું કરો.", llm=llm)
synth = Agent(role="Synthesizer", goal="તુલના કરો અને વ્યાખ્યા આપો.", llm=llm)
writer = Agent(role="Writer", goal="એક્ઝેક્યુટિવ-મોકળો બ્રીફ બનાવો.", llm=llm)
qa = Agent(role="QA", goal="દાવો અને સ્પષ્ટતા ચકાસો.", llm=llm)
persona_task = Task(description="SaaS માં RevOps નેતાઓ માટે ICP & JTBD નિર્ધારિત કરો.", agent=persona,
expected_output="પોઈન્ટ્સ + પીડા મુદ્દા + સફળતા માપદંડ.")
research_task = Task(description="3 ટૂલ્સ માટે કિંમત, ફીચર્સ અને સમીક્ષાઓ એકઠી કરો.", agent=researcher,
expected_output="ટેબલ + 5 ઉદ્ધરણ.")
synth_task = Task(description="તુલનાત્મક મેટ્રિક્સ અને ટોચના 3 આંતરદૃષ્ટિ બનાવો.", agent=synth,
expected_output="માર્કડાઉન ટેબલ + આંતરદૃષ્ટિ.")
write_task = Task(description="ભલામણો સાથે 1-પાનું સંકલ્પન બનાવો.", agent=writer,
expected_output="માર્કડાઉનમાં એક્ઝેક્યુટિવ બ્રીફ.")
qa_task = Task(description="સાચું અને વાંચનશીલતાની ચકાસણી; સમસ્યાઓ ઠીક કરો.", agent=qa,
expected_output="સફાઈ કરેલ, માન્ય બ્રીફ.")
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)