from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Rinkos tyrėjas",
goal="Rasti patikimą, šviežią informaciją apie tikslinę rinką ir konkurentus.",
backstory=(
"Jūs esate kruopštus analitikas, tikrinantis teiginius, cituojantis šaltinius ir apibendrinantis "
"signalus iš patikimų leidinių."
),
tools=[], # vėliau pridėkite įrankius paieškai, naršymui, prasiurbimui
llm=llm
)
strategist = Agent(
role="Produkto strategas",
goal="Apibendrinti tyrimus į aiškią pozicionavimo ir veiksmų kelią.",
backstory="Jūs prioritetą teikiate aiškumui, įgyvendinamumui ir matomiems rezultatams.",
tools=[],
llm=llm
)
writer = Agent(
role="Turinio kūrėjas",
goal="Parengti struktūruotą santrauką su pavyzdžiais ir tolesniais veiksmais.",
backstory="Rašote glaustai, įtikinamai ir laikotės stiliaus gairių.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Ištirti JAV mažų ir vidutinių įmonių projektų valdymo programinės įrangos rinką 2025 m. "
"Identifikuoti pagrindinius konkurentus, kainų lygius, ICP ir tris nepatenkintas poreikių sritis. "
"Pateikti svarbiausias išvadas su 3–5 citatomis."
),
expected_output=(
"Markdown formato santrauka su skyriais: rinkos dydis, pagrindiniai žaidėjai, kainodara, ICP, "
"nepatenkinti poreikiai, šaltiniai (su nuorodomis)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Remiantis tyrimo santrauka, sukurti pozicionavimo teiginį, 2–3 išskirtinumus ir 90 dienų veiksmų planą su etapais."
),
expected_output="Trumpa strateginė ataskaita (iki 400 žodžių).",
agent=strategist
)
writing_task = Task(
description=(
"Paversti strateginę ataskaitą viešu vieno puslapio dokumentu. Įtraukti antraštę, vertės pasiūlymą, funkcijų punktus ir kvietimą veikti."
),
expected_output="Markdown formato vieno puslapio medžiaga, tinkama nukreipimo puslapiui.",
agent=writer
)

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

fact_checker = Agent(
role="Faktų tikrintojas",
goal="Patikrinti visus teiginius pagrindiniuose šaltiniuose; pažymėti silpnas citatas.",
backstory="Skeptiškas, kruopštus, nešališkas.",
llm=llm
)
qa_task = Task(
description="Patikrinti visus faktinius teiginius; įterpti pataisas su [FIX] žymėmis.",
expected_output="Pataisytas juodraštis su pataisų santrauka.",
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=(
"Apibendrinti 5 naujausius tyrimus apie nuotolinio darbo produktyvumą (2023–2025) su metodologija, imties dydžiu ir pagrindinėmis išvadomis."
),
expected_output=(
"Markdown su H2 skyriais kiekvienam tyrimui, galutinė palyginimo lentelė ir nuorodos."
),
agent=researcher
)

r1 = Agent(role="Tyrėjas A", goal="Dėmesys kainodarai", backstory="", llm=llm)
r2 = Agent(role="Tyrėjas B", goal="Dėmesys funkcijoms", backstory="", llm=llm)
# Veiklos r1, r2 paraleliai; apibendrinimo užduotis sujungs jų rezultatus.

qa = Agent(
role="Kokybės užtikrinimo recenzentas",
goal="Užtikrinti, kad rezultatai atitiktų priėmimo kriterijus ir stiliaus gaires.",
backstory="Esate griežtas ir pedantiškas.",
llm=llm
)

researcher = Agent(
role="Analitinis tyrėjas",
goal=(
"Pateikti glaustus, tikslius santraukas su 3–5 patikimomis citatomis ir rizikos pastaba."
),
backstory=(
"Jūs tikrinate teiginius, renkate pirminius šaltinius ir pažymite nežinomybę."
),
llm=llm
)

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

persona = Agent(role="Persona analizatorius", goal="Apibrėžti ICP ir JTBD.", llm=llm)
researcher = Agent(role="Tyrėjas", goal="Surinkti patikimus duomenis.", llm=llm)
synth = Agent(role="Apibendrintojas", goal="Palyginti ir interpretuoti.", llm=llm)
writer = Agent(role="Rašytojas", goal="Paruošti vadovams skirtą santrauką.", llm=llm)
qa = Agent(role="Kokybės užtikrinimas", goal="Patikrinti teiginius ir aiškumą.", llm=llm)
persona_task = Task(description="Apibrėžti ICP ir JTBD SaaS RevOps lyderiams.", agent=persona,
expected_output="Punktai + skausmo taškai + sėkmės rodikliai.")
research_task = Task(description="Surinkti kainas, funkcijas ir apžvalgas 3 įrankiams.", agent=researcher,
expected_output="Lentelė + 5 citatos.")
synth_task = Task(description="Parengti palyginimo matrica ir 3 svarbiausias įžvalgas.", agent=synth,
expected_output="Markdown lentelė + įžvalgos.")
write_task = Task(description="Parašyti 1 puslapio santrauką su rekomendacijomis.", agent=writer,
expected_output="Vadovų santrauka markdown formatu.")
qa_task = Task(description="Patikrinti tikslumą ir skaitomumą; taisyti klaidas.", agent=qa,
expected_output="Švari, patvirtinta santrauka.")
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)