from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Market Researcher",
goal="சந்தை மற்றும் போட்டியாளர்களைப் பற்றிய நம்பகமான, தற்போதைய நுண்ணறிவுகளைக் கண்டறியவும்.",
backstory=(
"நீங்கள் கூற்றுகளைச் சரிபார்த்து, ஆதாரங்களைக் குறிப்பிட்டு, புகழ்பெற்ற வெளியீடுகளிலிருந்து "
"சிக்னல்களைச் சுருக்கமாகக் கூறும் ஒரு விடாமுயற்சியுள்ள ஆய்வாளர்."
),
tools=[], # பின்னர் வலை/தேடல்/ஸ்க்ராப்பர் கருவிகளைச் சேர்க்கவும்
llm=llm
)
strategist = Agent(
role="Product Strategist",
goal="ஆராய்ச்சியை ஒரு தெளிவான நிலை மற்றும் சாலை வரைபட விருப்பங்களாக ஒருங்கிணைக்கவும்.",
backstory="நீங்கள் தெளிவு, சாத்தியக்கூறு மற்றும் அளவிடக்கூடிய விளைவுகளுக்கு முன்னுரிமை அளிக்கிறீர்கள்.",
tools=[],
llm=llm
)
writer = Agent(
role="Content Writer",
goal="எடுத்துக்காட்டுகள் மற்றும் அடுத்த கட்டங்களுடன் நன்கு கட்டமைக்கப்பட்ட விளக்கத்தை உருவாக்கவும்.",
backstory="நீங்கள் சுருக்கமான, உறுதியான ஆங்கிலத்தில் எழுதுகிறீர்கள் மற்றும் பாணி வழிகாட்டிகளைப் பின்பற்றுகிறீர்கள்.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"2025 ஆம் ஆண்டில் அமெரிக்க சிறு வணிக திட்ட மேலாண்மை மென்பொருள் சந்தையை ஆராயுங்கள். "
"சிறந்த போட்டியாளர்கள், விலை அடுக்குகள், ICP கள் மற்றும் பூர்த்தி செய்யப்படாத மூன்று தேவைகளைக் கண்டறியவும். "
"3-5 மேற்கோள்களுடன் புல்லட் புள்ளிகளைத் திருப்பித் தரவும்."
),
expected_output=(
"பிரிவுகளுடன் கூடிய ஒரு மார்க் டவுன் விளக்கம்: சந்தை அளவு, முக்கிய வீரர்கள், விலை, ICP கள், "
"பூர்த்தி செய்யப்படாத தேவைகள், ஆதாரங்கள் (இணைப்புகளுடன்)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"ஆராய்ச்சி விளக்கத்தைப் பயன்படுத்தி, நிலை அறிக்கையை உருவாக்கவும், 2-3 வேறுபடுத்திகள், "
"மற்றும் மைல்கற்களுடன் கூடிய 90 நாள் சாலை வரைபடம்."
),
expected_output="ஒரு சுருக்கமான மூலோபாய குறிப்பு (<= 400 சொற்கள்).",
agent=strategist
)
writing_task = Task(
description=(
"மூலோபாய குறிப்பை பொதுவில் எதிர்கொள்ளும் ஒரு பக்கமாக மாற்றவும். ஒரு தலைப்புச் செய்தி, "
"மதிப்பு முன்மொழிவு, அம்சம் புல்லட் மற்றும் ஒரு CTA ஐ சேர்க்கவும்."
),
expected_output="ஒரு இறங்கும் பக்கத்திற்கு ஏற்ற மார்க் டவுன் ஒரு பக்கர்.",
agent=writer
)

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

fact_checker = Agent(
role="Fact Checker",
goal="அனைத்து கூற்றுகளையும் முதன்மை ஆதாரங்களுக்கு எதிராக சரிபார்க்கவும்; பலவீனமான மேற்கோள்களைக் கொடியிடவும்.",
backstory="சந்தேகத்திற்குரிய, உன்னிப்பான, பக்கச்சார்பற்ற.",
llm=llm
)
qa_task = Task(
description="அனைத்து உண்மைக் கூற்றுகளையும் சரிபார்க்கவும்; [FIX] குறிச்சொற்களுடன் வரிசையில் திருத்தங்களைச் சேர்க்கவும்.",
expected_output="திருத்தங்களின் சுருக்கத்துடன் திருத்தப்பட்ட வரைவு.",
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=(
"தொலைநிலை வேலை உற்பத்தித்திறன் குறித்த 5 சமீபத்திய ஆய்வுகளை (2023-2025) சுருக்கமாகக் கூறவும் "
"முறை, மாதிரி அளவு மற்றும் முக்கிய கண்டுபிடிப்புகள்."
),
expected_output=(
"ஒவ்வொரு ஆய்வுக்கும் H2 பிரிவுகள், இறுதி ஒப்பீட்டு அட்டவணை மற்றும் இணைப்புகள் கொண்ட மார்க் டவுன்."
),
agent=researcher
)

r1 = Agent(role="Researcher A", goal="விலையில் கவனம் செலுத்துங்கள்", backstory="", llm=llm)
r2 = Agent(role="Researcher B", goal="அம்சங்களில் கவனம் செலுத்துங்கள்", backstory="", llm=llm)
# r1, r2 க்கான இணையான பணிகள்; பின்தொடர்தல் தொகுப்பு பணி அவற்றின் வெளியீடுகளை ஒன்றிணைக்கிறது.

qa = Agent(
role="QA Reviewer",
goal="வெளியீடுகள் ஏற்றுக்கொள்ளும் அளவுகோல்கள் மற்றும் பாணி வழிகாட்டியை பூர்த்தி செய்வதை உறுதிப்படுத்தவும்.",
backstory="நீங்கள் கண்டிப்பானவர் மற்றும் பெடான்டிக்.",
llm=llm
)

researcher = Agent(
role="Analytical Researcher",
goal=(
"3-5 நம்பகமான மேற்கோள்கள் மற்றும் ஆபத்து குறிப்புடன் சிறிய, துல்லியமான விளக்கங்களை வழங்கவும்."
),
backstory=(
"நீங்கள் கூற்றுகளைச் சரிபார்க்கிறீர்கள், முதன்மை ஆதாரங்களுக்கு முன்னுரிமை அளிக்கிறீர்கள், மேலும் நிச்சயமற்ற தன்மையைக் கொடியிடுகிறீர்கள்."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="ICP & JTBD ஐ வரையறுக்கவும்.", llm=llm)
researcher = Agent(role="Researcher", goal="நம்பகமான தரவை சேகரிக்கவும்.", llm=llm)
synth = Agent(role="Synthesizer", goal="ஒப்பிட்டு விளக்கவும்.", llm=llm)
writer = Agent(role="Writer", goal="நிர்வாகம்-தயாராக சுருக்கத்தை உருவாக்கவும்.", llm=llm)
qa = Agent(role="QA", goal="கூற்றுகள் மற்றும் தெளிவை சரிபார்க்கவும்.", llm=llm)
persona_task = Task(description="SaaS இல் RevOps தலைவர்களுக்கான ICP & JTBD ஐ வரையறுக்கவும்.", agent=persona,
expected_output="புல்லட்கள் + வலி புள்ளிகள் + வெற்றி அளவீடுகள்.")
research_task = Task(description="3 கருவிகளுக்கான விலை, அம்சங்கள் மற்றும் மதிப்புரைகளை சேகரிக்கவும்.", agent=researcher,
expected_output="அட்டவணை + 5 மேற்கோள்கள்.")
synth_task = Task(description="ஒப்பீட்டு அணி மற்றும் சிறந்த 3 நுண்ணறிவுகளை உருவாக்குங்கள்.", agent=synth,
expected_output="மார்க் டவுன் அட்டவணை + நுண்ணறிவுகள்.")
write_task = Task(description="பரிந்துரைகளுடன் 1-பக்க சுருக்கத்தை வரைவு செய்யவும்.", agent=writer,
expected_output="மார்க் டவுனில் நிர்வாக சுருக்கம்.")
qa_task = Task(description="துல்லியம் மற்றும் வாசிப்புத்திறனை சரிபார்க்கவும்; சிக்கல்களை சரிசெய்யவும்.", agent=qa,
expected_output="சுத்தமான, சரிபார்க்கப்பட்ட சுருக்கம்.")
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)