from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Исследователь рынка",
goal="Найти достоверные, актуальные сведения о целевом рынке и конкурентах.",
backstory=(
"Вы — усердный аналитик, который проверяет утверждения, цитирует источники и обобщает "
"сигналы из авторитетных публикаций."
),
tools=[], # добавьте веб/поиск/инструменты для сбора данных позже
llm=llm
)
strategist = Agent(
role="Стратег продукта",
goal="Синтезировать результаты исследований в четкое позиционирование и варианты дорожной карты.",
backstory="Вы отдаете приоритет ясности, осуществимости и измеримым результатам.",
tools=[],
llm=llm
)
writer = Agent(
role="Автор контента",
goal="Создать хорошо структурированный бриф с примерами и дальнейшими шагами.",
backstory="Вы пишете на кратком, убедительном английском языке и следуете руководствам по стилю.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"Исследовать рынок программного обеспечения для управления проектами в сегменте малого и среднего бизнеса (SMB) в США в 2025 году. "
"Определить ведущих конкурентов, ценовые категории, идеальных клиентов (ICP) и три неудовлетворенные потребности. "
"Вернуть маркированный список с 3–5 цитатами."
),
expected_output=(
"Краткий отчет в формате Markdown с разделами: Размер рынка, Ключевые игроки, Цены, ICP, "
"Неудовлетворенные потребности, Источники (со ссылками)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"Используя исследовательский отчет, составить заявление о позиционировании, 2–3 отличительных признака "
"и 90-дневную дорожную карту с вехами."
),
expected_output="Краткая стратегическая записка (<= 400 слов).",
agent=strategist
)
writing_task = Task(
description=(
"Превратить стратегическую записку в одностраничный документ для публичного использования. Включите заголовок, "
"ценностное предложение, маркированный список функций и призыв к действию (CTA)."
),
expected_output="Одностраничный документ в формате Markdown, подходящий для целевой страницы.",
agent=writer
)

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

fact_checker = Agent(
role="Фактолог",
goal="Проверить все утверждения по первоисточникам; отметить слабые цитаты.",
backstory="Скептичный, скрупулезный, непредвзятый.",
llm=llm
)
qa_task = Task(
description="Проверить все фактические утверждения; добавить исправления в строку с тегами [FIX].",
expected_output="Исправленный черновик с кратким изложением исправлений.",
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=(
"Обобщите 5 недавних исследований о производительности удаленной работы (2023–2025 гг.) с "
"методологией, размером выборки и ключевыми выводами."
),
expected_output=(
"Markdown с разделами H2 для каждого исследования, итоговой сравнительной таблицей и ссылками."
),
agent=researcher
)

r1 = Agent(role="Исследователь A", goal="Сосредоточиться на ценах", backstory="", llm=llm)
r2 = Agent(role="Исследователь B", goal="Сосредоточиться на функциях", backstory="", llm=llm)
# Параллельные задачи для r1, r2; последующая задача синтеза объединяет их результаты.

qa = Agent(
role="QA Рецензент",
goal="Убедитесь, что выходные данные соответствуют критериям приемки и руководству по стилю.",
backstory="Вы строгий и педантичный.",
llm=llm
)

researcher = Agent(
role="Аналитический исследователь",
goal=(
"Предоставлять компактные, точные отчеты с 3–5 достоверными ссылками и примечанием о рисках."
),
backstory=(
"Вы проверяете утверждения, предпочитаете первоисточники и отмечаете неопределенность."
),
llm=llm
)

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

persona = Agent(role="Аналитик персоны", goal="Определить ICP и JTBD.", llm=llm)
researcher = Agent(role="Исследователь", goal="Собрать достоверные данные.", llm=llm)
synth = Agent(role="Синтезатор", goal="Сравнить и интерпретировать.", llm=llm)
writer = Agent(role="Писатель", goal="Создать отчет, готовый для руководства.", llm=llm)
qa = Agent(role="QA", goal="Проверить утверждения и ясность.", llm=llm)
persona_task = Task(description="Определить ICP и JTBD для руководителей RevOps в SaaS.", agent=persona,
expected_output="Маркированный список + болевые точки + показатели успеха.")
research_task = Task(description="Собрать цены, функции и отзывы для 3 инструментов.", agent=researcher,
expected_output="Таблица + 5 цитат.")
synth_task = Task(description="Создать сравнительную матрицу и 3 основных вывода.", agent=synth,
expected_output="Таблица Markdown + выводы.")
write_task = Task(description="Составить одностраничный отчет с рекомендациями.", agent=writer,
expected_output="Отчет для руководства в формате Markdown.")
qa_task = Task(description="Проверить точность и читабельность; исправить проблемы.", agent=qa,
expected_output="Чистый, проверенный отчет.")
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)