from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Markedsforsker",
goal="Finn troverdige, oppdaterte innsikter om målmarkedet og konkurrentene.",
backstory=(
"Du er en grundig analytiker som verifiserer påstander, siterer kilder og oppsummerer "
"signaler fra pålitelige publikasjoner."
),
tools=[], # legg til web/søk/skrapeverktøy senere
llm=llm
)
strategist = Agent(
role="Produktstrateg",
goal="Syntetiser forskning til en klar posisjonering og veikartalternativer.",
backstory="Du prioriterer klarhet, gjennomførbarhet og målbare resultater.",
tools=[],
llm=llm
)
writer = Agent(
role="Innholdsskribent",
goal="Produser et godt strukturert brief med eksempler og neste steg.",
backstory="Du skriver kortfattet, overbevisende på engelsk og følger stilguider.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Undersøk SMB-markedet for prosjektstyringsprogramvare i USA i 2025. "
"Identifiser toppkonkurrenter, prisnivåer, ICP-er og tre udekkede behov. "
"Returner punkter med 3–5 kilder."
),
expected_output=(
"En markdown-rapport med seksjoner: Markedsstørrelse, Hovedaktører, Priser, ICP-er, "
"Udekkede behov, Kilder (med lenker)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Bruk forskningsrapporten til å lage en posisjoneringsuttalelse, 2–3 differensiatorer, "
"og et 90-dagers veikart med milepæler."
),
expected_output="En kortfattet strategimemo (<= 400 ord).",
agent=strategist
)
writing_task = Task(
description=(
"Gjør strategimemot om til en offentlig ett-siders dokument. Inkluder overskrift, "
"verditilbud, punktlister over funksjoner og en CTA."
),
expected_output="En markdown-ett-siders som passer til en landingsside.",
agent=writer
)

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

fact_checker = Agent(
role="Faktasjekker",
goal="Validér alle påstander mot primærkilder; flagg svake kilder.",
backstory="Skeptisk, grundig, objektiv.",
llm=llm
)
qa_task = Task(
description="Validér alle faktiske påstander; legg til korrigeringer inline med [FIX]-tagger.",
expected_output="Et korrigert utkast med oppsummering av feilrettinger.",
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=(
"Oppsummer 5 nylige studier om produktivitet ved fjernarbeid (2023–2025) med "
"metodikk, utvalgsstørrelse og hovedfunn."
),
expected_output=(
"Markdown med H2-seksjoner per studie, en avsluttende sammenligningstabell og lenker."
),
agent=researcher
)

r1 = Agent(role="Researcher A", goal="Focus on pricing", backstory="", llm=llm)
r2 = Agent(role="Researcher B", goal="Focus on features", backstory="", llm=llm)
# Parallelle oppgaver for r1, r2; en påfølgende syntese-oppgave som samler output.

qa = Agent(
role="QA-gjennomleser",
goal="Sikre at output møter akseptansekriteriene og stilguiden.",
backstory="Du er streng og nøye.",
llm=llm
)

researcher = Agent(
role="Analytisk forsker",
goal=(
"Lever kompakte, nøyaktige rapporter med 3–5 troverdige kilder og en risikonotat."
),
backstory=(
"Du verifiserer påstander, foretrekker primærkilder og flagger usikkerhet."
),
llm=llm
)

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

persona = Agent(role="Personaanalytiker", goal="Definér ICP og JTBD.", llm=llm)
researcher = Agent(role="Forsker", goal="Samle troverdige data.", llm=llm)
synth = Agent(role="Syntetisator", goal="Sammenlign og tolk.", llm=llm)
writer = Agent(role="Skribent", goal="Lag en lederklar brief.", llm=llm)
qa = Agent(role="QA", goal="Validér påstander og tydelighet.", llm=llm)
persona_task = Task(description="Definér ICP & JTBD for RevOps-ledere i SaaS.", agent=persona,
expected_output="Punkter + smertepunkter + suksessmetrikker.")
research_task = Task(description="Samle pris, funksjoner og anmeldelser for 3 verktøy.", agent=researcher,
expected_output="Tabell + 5 kilder.")
synth_task = Task(description="Bygg en sammenligningsmatrise og topp 3 innsikter.", agent=synth,
expected_output="Markdown-tabell + innsikter.")
write_task = Task(description="Lag et 1-siders brief med anbefalinger.", agent=writer,
expected_output="Lederbrief i markdown.")
qa_task = Task(description="Sjekk nøyaktighet og lesbarhet; rett feil.", agent=qa,
expected_output="Ren, validert brief.")
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)