from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Market Researcher",
goal="Megbízható, friss piaci és versenytársi információk felkutatása.",
backstory=(
"Te egy alapos elemző vagy, aki ellenőrzi az állításokat, idézi a forrásokat, és összefoglalja "
"a hiteles kiadványok jelzéseit."
),
tools=[], # később adj hozzá web-/kereső-/scraper eszközöket
llm=llm
)
strategist = Agent(
role="Product Strategist",
goal="Összegzi a kutatást egy világos pozícionálásba és útiterv opciókba.",
backstory="A világosságot, megvalósíthatóságot és mérhető eredményeket helyezed előtérbe.",
tools=[],
llm=llm
)
writer = Agent(
role="Content Writer",
goal="Jól strukturált összefoglalót készít példákkal és további lépésekkel.",
backstory="Tömören, meggyőzően írsz angol nyelven, követed a stílus útmutatókat.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Kutassa a 2025-ös amerikai SMB projektmenedzsment szoftverpiacot. "
"Azonosítsa a fő versenytársakat, árazási kategóriákat, ICP-ket és három kielégítetlen igényt. "
"Adjon vissza felsorolást 3–5 hivatkozással."
),
expected_output=(
"Markdown összefoglaló, szakaszokkal: Piacméret, Fő szereplők, Árazás, ICP-k, "
"Kielégítetlen igények, Források (linkekkel)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"A kutatási összefoglaló alapján készíts pozícionálási nyilatkozatot, 2–3 megkülönböztető elemet, "
"és egy 90 napos mérföldkővel rendelkező ütemtervet."
),
expected_output="Rövid stratégiai memo (max 400 szó).",
agent=strategist
)
writing_task = Task(
description=(
"Alakítsd át a stratégiai memót nyilvános, egylapos dokumentummá. Tartalmazzon címet, "
"értékajánlatot, funkciókat felsorolva és cselekvésre ösztönzést (CTA)."
),
expected_output="Markdown formátumú egylapos, landing page-hez alkalmas.",
agent=writer
)

from crewai import Crew
crew = Crew(
agents=[researcher, strategist, writer],
tasks=[research_task, synthesis_task, writing_task],
process="sequential", # sorrendben adjuk át az eredményeket
verbose=True
)
result = crew.kickoff
print(result)

fact_checker = Agent(
role="Tényellenőrző",
goal="Minden állítás elsődleges forrásokkal való validálása; gyenge hivatkozások jelzése.",
backstory="Szkeptikus, gondos, elfogulatlan.",
llm=llm
)
qa_task = Task(
description="Validáld az összes tényállítást; javításokat tegyél be [FIX] címkével.",
expected_output="Javított változat összefoglalóval.",
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=(
"Összefoglalni 5 friss tanulmányt a távmunkával kapcsolatos termelékenységről (2023–2025) "
"módszertan, mintanagyság és fő eredmények szerint."
),
expected_output=(
"Markdown H2 szekciókkal tanulmányonként, végső összehasonlító táblázattal és linkekkel."
),
agent=researcher
)

r1 = Agent(role="Researcher A", goal="Az árképzésre fókuszál", backstory="", llm=llm)
r2 = Agent(role="Researcher B", goal="A funkciókra fókuszál", backstory="", llm=llm)
# Párhuzamos feladatok r1-nek és r2-nek; utána egy összefoglaló egységesíti az eredményeket.

qa = Agent(
role="QA Reviewer",
goal="Biztosítani, hogy a kimenetek megfeleljenek az elfogadási kritériumoknak és a stílus útmutatónak.",
backstory="Szigorú és precíz vagy.",
llm=llm
)

researcher = Agent(
role="Analitikus Kutató",
goal=(
"Tömör, pontos összefoglalókat adj 3–5 megbízható hivatkozással és kockázati megjegyzéssel."
),
backstory=(
"Ellenőrzöd az állításokat, elsődleges forrásokat preferálsz és jelzed a bizonytalanságot."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="Definiálja az ICP-t és JTBD-t.", llm=llm)
researcher = Agent(role="Researcher", goal="Hiteles adatok gyűjtése.", llm=llm)
synth = Agent(role="Synthesizer", goal="Összehasonlítás és értelmezés.", llm=llm)
writer = Agent(role="Writer", goal="Vezetői összefoglaló készítése.", llm=llm)
qa = Agent(role="QA", goal="Állítások és érthetőség validálása.", llm=llm)
persona_task = Task(description="Definiálja az ICP & JTBD-t a RevOps vezetők számára SaaS-ban.", agent=persona,
expected_output="Felsorolás + fájdalompontok + siker mutatók.")
research_task = Task(description="Gyűjtse össze 3 eszköz árát, funkcióit és értékeléseit.", agent=researcher,
expected_output="Táblázat + 5 hivatkozás.")
synth_task = Task(description="Készítsen összehasonlító mátrixot és top 3 megállapítást.", agent=synth,
expected_output="Markdown tábla + betekintések.")
write_task = Task(description="Írjon egy egylapos összefoglalót ajánlásokkal.", agent=writer,
expected_output="Vezetői összefoglaló markdown formátumban.")
qa_task = Task(description="Ellenőrizze a pontosságot és olvashatóságot; javítsa a hibákat.", agent=qa,
expected_output="Tiszta, ellenőrzött összefoglaló.")
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)