from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Market Researcher",
<a8>goal="ലക്ഷ്യ വിപണിയും പ്രതിസന്ധികൾക്കുമുള്ള വിശ്വാസയോഗ്യവും പുതിയ വിവരങ്ങളും കണ്ടെത്തുക.",</a9>backstory=("നിങ്ങൾ അവകാശങ്ങൾ പരിശോധിക്കുന്ന, സ്രോതസ്സുകൾ ഉദ്ധരിക്കുന്ന, വിശ്വസനീയ പ്രസിദ്ധീകരണങ്ങളിൽ നിന്നുള്ള സിഗ്നലുകൾ സംക്ഷേപിക്കുന്ന ഒരു കഠിനോധ്യായകനാണ്."), 
tools=[], # വെബ്/സർച്ച്/സ്ക്രേപ്പർ ടൂളുകൾ പിന്നീട് ചേർക്കുക
llm=llm
)
strategist = Agent(
role="Product Strategist",
<a19>goal="ഗവേഷണങ്ങൾ സംയോജിപ്പിച്ചു സുതാര്യമായ നിലപാട്, റോഡ്‌മ്യാപ് നിർദ്ദേശിക്കുക.",</a20>
backstory="നിങ്ങൾ വ്യക്തമാകൽ, സാധ്യതാ, തുലനീയ ഫലങ്ങൾ മുൻഗണന നൽകുന്നു.",
tools=[],
llm=llm
writer = Agent(
role="Content Writer",
<a27>goal="ഉത്കൃഷ്ട സാന്റി ഉള്ള, ഉദാഹരണങ്ങളോടുകൂടിയ ബ്രീഫ് സൃഷ്ടിക്കുക.",</a28>
backstory="ചുരുക്കവും പ്രേരകമായ ഇംഗ്ലീഷിൽ എഴുതുകയും പ്രവർത്തന മാർഗ്ഗങ്ങൾ പാലിക്കുകയും ചെയ്യുന്നു.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"2025-ൽ യുഎസ് SMB പ്രോജക്ട് മാനേജ്മെന്റ് സോഫ്‌റ്റ്‌വെയർ വിപണിയെക്കുറിച്ച് ഗവേഷണം ചെയ്യുക. "
"അഗ്രഗേറ്റർ മർദ്ദം, വിലയിരുത്തൽ ഘട്ടങ്ങൾ, പ്രധാന ഉപഭോക്തൃ പ്രൊഫൈലുകളും (ICP), മൂന്നു unmet ആവശ്യങ്ങൾ കണ്ടെത്തുക. "
"3-5 ഉദ്ധരണികളോടുകൂടിയ ബുള്ളറ്റ് പോയിന്റുകൾ നൽകുക."
),
expected_output=(
"മാർക്ക്ഡൗൺ ബ്രീഫ് വീക്ഷിക്കുന്ന വിഭാഗങ്ങൾ: മാർക്കറ്റ് സൈസ്, പ്രധാന കളിക്കാർ, വില, ICPകൾ, "
"unmet ആവശ്യങ്ങൾ, ഉറവിടങ്ങൾ (ലിങ്കുകളോടെ)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"ഗവേഷണ ബ്രീഫ് ഉപയോഗിച്ച്, ഒരു സ്ഥിതിവിവരണ പ്രസ്താവന, 2-3 വ്യത്യസ്ഥതകൾ, "
"മറ്റും 90-ദിവസ റോഡ്‌മാപ് സൃഷ്ടിക്കുക."
),
expected_output="ഒരു സംക്ഷിപ്ത സ്റ്റ്രാറ്റജി മെമോ (400 പദങ്ങൾക്കുള്ളിൽ).",
agent=strategist
)
writing_task = Task(
description=(
"സ്റ്റ്രാറ്റജി മെമോ പബ്ലിക്-ഫേസിങ്ങ് വൺ-പേജറായി മാറ്റുക. 一个 ഹാഡ്ലിൻ, മൂല്യ നിർണയം, ഫീച്ചർ ബുള്ളറ്റുകൾ, CTA ഉൾക്കൊள் әнൽ."
expected_output="ലാൻഡിംഗ് പേജിന് അനുയോജ്യമായ മാർക്ക്ഡൗൺ വൺ-പേജർ.",
agent=writer
)

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

fact_checker = Agent(
role="Fact Checker",
goal="പ്രാഥമിക സ്രോതസ്സുകളെ അടിസ്ഥാനമാക്കി എല്ലാ അവകാശങ്ങളും പരിശോധിച്ച് ദുർബലമായ ഉദ്ധരണികളെ ഫ്ലാഗ് ചെയ്യുക.",
backstory="സംശയവാദി, കൃത്യതയുള്ള, പത്തരഹത്യയില്ലാത്ത ഒരാളാണ്.",
llm=llm
)
qa_task = Task(
description="എല്ലാ വാസ്തവ പ്രസ്താവനകളും പരിശോധിക്കുക; [FIX] ടാഗുകളോടെ അകത്തു തിരുത്തലുകൾ ചേർക്കുക.",
expected_output="തിരുത്തലുകൾ ഉൾപ്പെടുത്തിയ ഒരു ഡ്രാഫ്റ്റ്, തിരുത്തലുകളുടെ സംക്ഷിപ്തം.",
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 കാലഘട്ടത്തിലെ 5 ഏറ്റവും പുതിയ റിമോട്ട് വർക്ക് ഉത്പാദനപ്രതിവിധാന പഠനങ്ങൾക്ക് സംഗ്രഹം തയ്യാറാക്കുക; മാർഗ്ഗരേഖ, സാമ്പിൾ വലുപ്പം, പ്രധാന കണ്ടെത്തലുകൾ ഉൾപ്പെടെ."
),
expected_output=(
"ഓരോ പഠനത്തിനും H2 വിഭാഗങ്ങളും, അന്തിമ താരതമ്യ പട്ടികയും ലിങ്കുകളുമായി മാർക്ക്ഡൗൺ ഫോർമാറ്റിലും."
),
agent=researcher
)

r1 = Agent(role="Researcher A", goal="വിലపై ശ്രദ്ധ കേന്ദ്രീകരിക്കുക", backstory="", llm=llm)
r2 = Agent(role="Researcher B", goal="ഫീച്ചറുകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക", backstory="", llm=llm)
# r1, r2-ന് സമാന്തര ടാസ്‌കുകൾ; അവരുടെ ഫലങ്ങൾ സംയോജിക്കുന്ന ഒരു ടാസ്‌ക് പിന്നീട്.

qa = Agent(
role="QA Reviewer",
goal="ഔട്ട്‌പുട്ടുകൾ അംഗീകൃത മാനദണ്ഡങ്ങളും സ്റ്റൈൽ ഗൈഡും പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക.",
backstory="നിങ്ങൾ കഠിനവും സൂക്ഷ്മവുമായവനാണ്.",
llm=llm
)

researcher = Agent(
role="Analytical Researcher",
goal=(
"3-5 വിശ്വാസയോഗ്യമായ ഉദ്ധരണികളോടും റിസ്‌ക് നോട്ടുമായും കംപാക്ട്, കൃത്യമായ ബ്രീഫുകൾ നൽകുക."
),
backstory=(
"നീ തള്ളി കുത്തനെ അവകാശങ്ങൾ പരിശോധിക്കുകയും പ്രാഥമിക സ്രോതസ്സുകൾ മുൻഗണന നൽകുകയും സംശയങ്ങൾ ഫ്ലാഗ് ചെയ്യുകയും ചെയ്യുന്നു."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="ICP & JTBD നിർവചിക്കുക.", llm=llm)
researcher = Agent(role="Researcher", goal="വിശ്വാസയോഗ്യമായ ഡാറ്റ ശേഖരിക്കുക.", llm=llm)
synth = Agent(role="Synthesizer", goal="പോരാട്ടവും വായിച്ചതും വിശകലനം ചെയ്യുക.", llm=llm)
writer = Agent(role="Writer", goal="എക്സിക്യൂടീവ് റെഡി ബ്രീഫ് സൃഷ്ടിക്കുക.", llm=llm)
qa = Agent(role="QA", goal="പ്രതീക്ഷിച്ച അവകാശങ്ങളും വ്യക്തതയും പരിശോധിക്കുക.", llm=llm)
persona_task = Task(description="RevOps ലീഡർമാർക്കായി ICP & JTBD നിർവചിക്കുക.", agent=persona, expected_output="ബുള്ളറ്റുകൾ, പെയിൻ പോയിന്റുകൾ, വിജയ മാനദണ്ഡങ്ങൾ.")
research_task = Task(description="3 ടൂളുകളുടെ വില, ഫീച്ചറുകൾ, റിവ്യൂകൾ ശേഖരിക്കുക.", agent=researcher, expected_output="പട്ടിക + 5 ഉദ്ധരണികൾ.")
synth_task = Task(description="പോലുങ്ങൽ ടേബിൾ, ടോപ്പ് 3洞察ങ്ങൾ നിർമ്മിക്കുക.", agent=synth, expected_output="മാർക്ക്ഡൗൺ പട്ടിക +洞察ങ്ങൾ.")
write_task = Task(description="ഒരു പേജ് ബ്രീഫിൽ ശുപാർശകളും ഉൾക്കൊള്ളിക്കുക.", agent=writer, expected_output="എക്സിക്യൂട്ടീവ് ബ്രീഫ് മാർക്ക്ഡൗൺ ഫോർമാറ്റിൽ.")
qa_task = Task(description="ശുദ്ധിയും വായനയും പരിശോധിച്ച് പ്രശ്‌നങ്ങൾ ശരിയാക്കുക.", agent=qa, expected_output="ശുദ്ധമായ, പരിശോധന ചെയ്ത ബ്രീഫ്.")
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)