from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="मार्केट रिसर्चर",
goal="लक्ष्य बाजारपेठ आणि प्रतिस्पर्धकांबद्दल विश्वसनीय, चालू असलेले अंतर्दृष्टी शोधा.",
backstory=(
"तुम्ही एक मेहनती विश्लेषक आहात जे दाव्यांची पडताळणी करतात, स्त्रोतांचा हवाला देतात आणि "
"प्रतिष्ठित प्रकाशनांमधील सिग्नलचा सारांश देतात."
),
tools=[], # नंतर वेब/शोध/स्क्रॅपर साधने जोडा
llm=llm
)
strategist = Agent(
role="उत्पादन रणनीतिकार",
goal="संशोधनाचे स्पष्ट स्थितीकरण आणि रोडमॅप पर्यायांमध्ये संश्लेषण करा.",
backstory="तुम्ही स्पष्टता, व्यवहार्यता आणि मोजण्यायोग्य परिणामांना प्राधान्य देता.",
tools=[],
llm=llm
)
writer = Agent(
role="सामग्री लेखक",
goal="उदाहरणे आणि पुढील चरणांसह एक सुव्यवस्थित माहिती तयार करा.",
backstory="तुम्ही संक्षिप्त, प्रभावी इंग्रजीमध्ये लिहिता आणि शैली मार्गदर्शकतत्त्वांचे पालन करता.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"2025 मध्ये यूएस SMB प्रकल्प व्यवस्थापन सॉफ्टवेअर बाजारावर संशोधन करा. "
"शीर्ष प्रतिस्पर्धक, किंमत स्तर, ICP आणि तीन अपूर्ण गरजा ओळखा. "
"3-5 उद्धरणांसह बुलेट पॉइंट्स परत करा."
),
expected_output=(
"विभागांसह एक मार्कडाउन माहिती: बाजाराचा आकार, प्रमुख खेळाडू, किंमत, ICP, "
"अपूर्ण गरजा, स्रोत (लिंकसह)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"संशोधन माहिती वापरून, एक स्थिती विवरण, 2-3 फरक, "
"आणि 90 दिवसांचा रोडमॅप माइलस्टोनसह तयार करा."
),
expected_output="एक संक्षिप्त रणनीती मेमो (<= 400 शब्द).",
agent=strategist
)
writing_task = Task(
description=(
"स्ट्रॅटेजी मेमोला पब्लिक-फेसिंग वन-पेजरमध्ये रूपांतरित करा. एक शीर्षक, "
"मूल्य प्रस्ताव, वैशिष्ट्य बुलेट आणि CTA समाविष्ट करा."
),
expected_output="लँडिंग पृष्ठासाठी योग्य असलेले मार्कडाउन वन-पेजर.",
agent=writer
)

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

fact_checker = Agent(
role="तथ्य तपासनीस",
goal="प्राथमिक स्त्रोतांविरुद्ध सर्व दाव्यांची पडताळणी करा; कमकुवत उद्धरणांना ध्वजांकित करा.",
backstory="शंकास्पद, सूक्ष्म, निष्पक्ष.",
llm=llm
)
qa_task = Task(
description="सर्व तथ्यात्मक विधानांची पडताळणी करा; [FIX] टॅगसह इनलाइन सुधारणा जोडा.",
expected_output="सुधारणांच्या सारांशासह सुधारित मसुदा.",
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=(
"दूरस्थ कार्य उत्पादकतेवरील (2023-2025) 5 अलीकडील अभ्यासांचा "
"पद्धत, नमुना आकार आणि मुख्य निष्कर्षांसह सारांश द्या."
),
expected_output=(
"प्रत्येक अभ्यासानुसार H2 विभाग, अंतिम तुलना सारणी आणि दुवे असलेले मार्कडाउन."
),
agent=researcher
)

r1 = Agent(role="संशोधक A", goal="किंमतीवर लक्ष केंद्रित करा", backstory="", llm=llm)
r2 = Agent(role="संशोधक B", goal="वैशिष्ट्यांवर लक्ष केंद्रित करा", backstory="", llm=llm)
# r1, r2 साठी समांतर कार्ये; एक फॉलो-अप संश्लेषण कार्य त्यांचे आउटपुट विलीन करते.

qa = Agent(
role="QA समीक्षक",
goal="आउटपुट स्वीकृती निकष आणि शैली मार्गदर्शकतत्त्वांचे पालन करतात याची खात्री करा.",
backstory="तुम्ही कठोर आणि पांडित्यपूर्ण आहात.",
llm=llm
)

researcher = Agent(
role="विश्लेषणात्मक संशोधक",
goal=(
"3-5 विश्वसनीय उद्धरणे आणि जोखीम नोटसह संक्षिप्त, अचूक माहिती द्या."
),
backstory=(
"तुम्ही दाव्यांची पडताळणी करता, प्राथमिक स्त्रोतांना प्राधान्य देता आणि अनिश्चितता दर्शवता."
),
llm=llm
)

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

persona = Agent(role="पर्सोना विश्लेषक", goal="ICP आणि JTBD परिभाषित करा.", llm=llm)
researcher = Agent(role="संशोधक", goal="विश्वसनीय डेटा गोळा करा.", llm=llm)
synth = Agent(role="संश्लेषणकर्ता", goal="तुलना करा आणि अर्थ लावा.", llm=llm)
writer = Agent(role="लेखक", goal="कार्यकारी-तयार माहिती तयार करा.", llm=llm)
qa = Agent(role="QA", goal="दावे आणि स्पष्टता सत्यापित करा.", llm=llm)
persona_task = Task(description="SaaS मध्ये RevOps नेत्यांसाठी ICP आणि JTBD परिभाषित करा.", agent=persona,
expected_output="बुलेट्स + वेदना बिंदू + यश मेट्रिक्स.")
research_task = Task(description="3 साधनांसाठी किंमत, वैशिष्ट्ये आणि पुनरावलोकने गोळा करा.", agent=researcher,
expected_output="टेबल + 5 उद्धरणे.")
synth_task = Task(description="तुलना मॅट्रिक्स आणि शीर्ष 3 अंतर्दृष्टी तयार करा.", agent=synth,
expected_output="मार्कडाउन टेबल + अंतर्दृष्टी.")
write_task = Task(description="शिफारशींसह 1-पानांची माहिती मसुदा तयार करा.", agent=writer,
expected_output="मार्कडाउनमध्ये कार्यकारी माहिती.")
qa_task = Task(description="अचूकता आणि वाचनीयता तपासा; समस्या निश्चित करा.", agent=qa,
expected_output="स्वच्छ, सत्यापित माहिती.")
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)