from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Pesquisador de Mercado",
goal="Encontrar insights confiáveis e atuais sobre o mercado-alvo e os concorrentes.",
backstory=(
"Você é um analista diligente que verifica alegações, cita fontes e resume "
"sinais de publicações respeitáveis."
),
tools=[], # adicionar ferramentas web/search/scraper mais tarde
llm=llm
)
strategist = Agent(
role="Estrategista de Produto",
goal="Sintetizar a pesquisa em um posicionamento nítido e opções de roadmap.",
backstory="Você prioriza clareza, viabilidade e resultados mensuráveis.",
tools=[],
llm=llm
)
writer = Agent(
role="Redator de Conteúdo",
goal="Produzir um briefing bem estruturado com exemplos e próximos passos.",
backstory="Você escreve em inglês conciso e persuasivo e segue guias de estilo.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Pesquise o mercado de software de gerenciamento de projetos para PMEs nos EUA em 2025. "
"Identifique os principais concorrentes, níveis de preços, ICPs e três necessidades não atendidas. "
"Retorne itens com 3–5 citações."
),
expected_output=(
"Um briefing em markdown com seções: Tamanho do Mercado, Principais Players, Preços, ICPs, "
"Necessidades Não Atendidas, Fontes (com links)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Usando o briefing de pesquisa, produza uma declaração de posicionamento, 2–3 diferenciais, "
"e um roadmap de 90 dias com marcos."
),
expected_output="Um memorando de estratégia conciso (<= 400 palavras).",
agent=strategist
)
writing_task = Task(
description=(
"Transforme o memorando de estratégia em um one-pager público. Inclua um título, "
"proposta de valor, marcadores de recursos e um CTA."
),
expected_output="Um one-pager em markdown adequado para uma landing page.",
agent=writer
)

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

fact_checker = Agent(
role="Verificador de Fatos",
goal="Validar todas as alegações em relação às fontes primárias; sinalizar citações fracas.",
backstory="Cético, meticuloso, imparcial.",
llm=llm
)
qa_task = Task(
description="Validar todas as declarações factuais; adicionar correções em linha com tags [FIX].",
expected_output="Um rascunho corrigido com um resumo das correções.",
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=(
"Resuma 5 estudos recentes sobre produtividade no trabalho remoto (2023–2025) com "
"metodologia, tamanho da amostra e principais descobertas."
),
expected_output=(
"Markdown com seções H2 por estudo, uma tabela de comparação final e links."
),
agent=researcher
)

r1 = Agent(role="Pesquisador A", goal="Foco em preços", backstory="", llm=llm)
r2 = Agent(role="Pesquisador B", goal="Foco em recursos", backstory="", llm=llm)
# Tarefas paralelas para r1, r2; uma tarefa de síntese de acompanhamento mescla suas saídas.

qa = Agent(
role="Revisor de QA",
goal="Garantir que as saídas atendam aos critérios de aceitação e ao guia de estilo.",
backstory="Você é estrito e pedante.",
llm=llm
)

researcher = Agent(
role="Pesquisador Analítico",
goal=(
"Entregar briefings compactos e precisos com 3–5 citações confiáveis e uma nota de risco."
),
backstory=(
"Você verifica alegações, prefere fontes primárias e sinaliza incertezas."
),
llm=llm
)

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

persona = Agent(role="Analista de Persona", goal="Definir ICP e JTBD.", llm=llm)
researcher = Agent(role="Pesquisador", goal="Coletar dados confiáveis.", llm=llm)
synth = Agent(role="Sintetizador", goal="Comparar e interpretar.", llm=llm)
writer = Agent(role="Redator", goal="Criar um brief pronto para executivos.", llm=llm)
qa = Agent(role="QA", goal="Validar alegações e clareza.", llm=llm)
persona_task = Task(description="Definir ICP & JTBD para líderes de RevOps em SaaS.", agent=persona,
expected_output="Marcadores + pontos problemáticos + métricas de sucesso.")
research_task = Task(description="Coletar preços, recursos e avaliações para 3 ferramentas.", agent=researcher,
expected_output="Tabela + 5 citações.")
synth_task = Task(description="Construir uma matriz de comparação e os 3 principais insights.", agent=synth,
expected_output="Tabela markdown + insights.")
write_task = Task(description="Redigir um brief de 1 página com recomendações.", agent=writer,
expected_output="Brief executivo em markdown.")
qa_task = Task(description="Verificar precisão e legibilidade; corrigir problemas.", agent=qa,
expected_output="Brief limpo e validado.")
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)