from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Badacz rynku",
goal="Znajdź wiarygodne, aktualne informacje na temat rynku docelowego i konkurencji.",
backstory=(
"Jesteś pilnym analitykiem, który weryfikuje twierdzenia, cytuje źródła i podsumowuje"
"sygnały z renomowanych publikacji."
),
tools=[], # dodaj narzędzia do przeszukiwania sieci/wyszukiwania/scrapera później
llm=llm
)
strategist = Agent(
role="Strateg produktu",
goal="Zsyntetyzuj badania w zwięzłe pozycjonowanie i opcje planu działania.",
backstory="Priorytetem jest dla Ciebie jasność, wykonalność i mierzalne wyniki.",
tools=[],
llm=llm
)
writer = Agent(
role="Copywriter",
goal="Stwórz dobrze ustrukturyzowany brief z przykładami i kolejnymi krokami.",
backstory="Piszesz w zwięzłym, przekonującym języku angielskim i przestrzegasz przewodników stylu.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Przeprowadź badania rynku oprogramowania do zarządzania projektami dla MŚP w USA w 2025 roku."
"Zidentyfikuj najlepszych konkurentów, progi cenowe, ICP i trzy niezaspokojone potrzeby."
"Zwróć listę punktów z 3–5 cytatami."
),
expected_output=(
"Brief w formacie Markdown z sekcjami: Wielkość rynku, Kluczowi gracze, Ceny, ICP, "
"Niezaspokojone potrzeby, Źródła (z linkami)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Korzystając z briefu badawczego, opracuj oświadczenie o pozycjonowaniu, 2–3 elementy wyróżniające "
"i 90-dniowy plan działania z kamieniami milowymi."
),
expected_output="Zwięzłe memorandum strategiczne (<= 400 słów).",
agent=strategist
)
writing_task = Task(
description=(
"Przekształć memorandum strategiczne w jednostronicowy dokument skierowany do odbiorców zewnętrznych. Dołącz nagłówek, "
"propozycję wartości, wypunktowania funkcji i CTA."
),
expected_output="Jednostronicowy dokument w formacie Markdown, odpowiedni dla strony docelowej.",
agent=writer
)

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

fact_checker = Agent(
role="Weryfikator faktów",
goal="Sprawdź poprawność wszystkich twierdzeń na podstawie źródeł pierwotnych; oznacz słabe cytaty.",
backstory="Sceptyczny, skrupulatny, bezstronny.",
llm=llm
)
qa_task = Task(
description="Sprawdź poprawność wszystkich stwierdzeń faktycznych; dodaj poprawki w tekście za pomocą tagów [FIX].",
expected_output="Poprawiony projekt z podsumowaniem poprawek.",
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=(
"Podsumuj 5 ostatnich badań na temat produktywności pracy zdalnej (2023–2025) z "
"metodologią, wielkością próby i kluczowymi wnioskami."
),
expected_output=(
"Markdown z sekcjami H2 dla każdego badania, końcowa tabela porównawcza i linki."
),
agent=researcher
)

r1 = Agent(role="Badacz A", goal="Skoncentruj się na cenach", backstory="", llm=llm)
r2 = Agent(role="Badacz B", goal="Skoncentruj się na funkcjach", backstory="", llm=llm)
# Równoległe zadania dla r1, r2; zadanie syntezy uzupełniającej łączy ich wyniki.

qa = Agent(
role="Recenzent QA",
goal="Upewnij się, że wyniki spełniają kryteria akceptacji i przewodnik stylu.",
backstory="Jesteś surowy i pedantyczny.",
llm=llm
)

researcher = Agent(
role="Analityczny badacz",
goal=(
"Dostarcz zwięzłe, dokładne briefy z 3–5 wiarygodnymi cytatami i notatką o ryzyku."
),
backstory=(
"Weryfikujesz twierdzenia, preferujesz źródła pierwotne i oznaczasz niepewność."
),
llm=llm
)

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

persona = Agent(role="Analityk persony", goal="Zdefiniuj ICP i JTBD.", llm=llm)
researcher = Agent(role="Badacz", goal="Zbierz wiarygodne dane.", llm=llm)
synth = Agent(role="Syntezator", goal="Porównaj i interpretuj.", llm=llm)
writer = Agent(role="Pisarz", goal="Stwórz brief gotowy dla kadry kierowniczej.", llm=llm)
qa = Agent(role="QA", goal="Sprawdź twierdzenia i jasność.", llm=llm)
persona_task = Task(description="Zdefiniuj ICP i JTBD dla liderów RevOps w SaaS.", agent=persona,
expected_output="Punkty + punkty bólu + metryki sukcesu.")
research_task = Task(description="Zbierz ceny, funkcje i recenzje dla 3 narzędzi.", agent=researcher,
expected_output="Tabela + 5 cytatów.")
synth_task = Task(description="Zbuduj macierz porównawczą i 3 najważniejsze spostrzeżenia.", agent=synth,
expected_output="Tabela Markdown + spostrzeżenia.")
write_task = Task(description="Przygotuj jednostronicowy brief z rekomendacjami.", agent=writer,
expected_output="Brief dla kadry kierowniczej w formacie Markdown.")
qa_task = Task(description="Sprawdź dokładność i czytelność; napraw problemy.", agent=qa,
expected_output="Czysty, zweryfikowany 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)