from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="Market Researcher",
goal="Find credible, current insights on the target market and competitors.",
backstory=(
"You are a diligent analyst who verifies claims, cites sources, and summarizes "
"signals from reputable publications."
),
tools=[], # web/search/scraper సాధనాలు తర్వాత జోడించాలి
llm=llm
)
strategist = Agent(
role="Product Strategist",
goal="Synthesize research into a crisp positioning and roadmap options.",
backstory="You prioritize clarity, feasibility, and measurable outcomes.",
tools=[],
llm=llm
)
writer = Agent(
role="Content Writer",
goal="Produce a well-structured brief with examples and next steps.",
backstory="You write in concise, persuasive English and follow style guides.",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"2025లో US SMB ప్రాజెక్ట్ మేనేజ్‌మెంట్ సాఫ్ట్‌వేర్ మార్కెట్‌పై పరిశోధన నిర్వహించండి. "
"టాప్ పోటీదారులు, ధరల స్ధాయులు, ICPలు, మరియు మూడు పూర్తి కాలేదు ఉన్న అవసరాలను గుర్తించండి. "
"3–5 ఉల్లేఖలు (citation)తో బుల్లెట్ పాయింట్ల రూపంలో రిపోర్టు ఇవ్వండి."
),
expected_output=(
"మార్క్‌డౌన్ బ్రీఫ్, విభాగాలు: మార్కెట్ సైజు, ముఖ్య ఆటగాళ్లు, ధరలు, ICPలు, "
"అపూర్ణ అవసరాలు, మూలాలు (లింకులతో)."
),
agent=researcher
)
synthesis_task = Task(
description=(
"పరిశోధన బ్రీఫ్ ఉపయోగించి, ఒక స్పష్టమైన పొజిషనింగ్ స్టేట్‌మెంట్, 2–3 తేడాలు, "
"మరియు 90-రోజుల రోడ్‌మ్యాప్ మైలురాళ్ళతో తయారు చేయండి."
),
expected_output="సంక్షిప్త స్ట్రాటజీ మెమో (<= 400 పదాలు).",
agent=strategist
)
writing_task = Task(
description=(
"స్ట్రాటజీ మెమోను ప్రజలకు చూపించే ఒక పేజీగా మార్చండి. హెడ్‌లైన్, "
"విలువ ప్రకటనం, ఫీచర్ బుల్లెట్లు, మరియు CTA (కాల్ టు ఆక్షన్) చేర్చండి."
),
expected_output="ల్యాండింగ్ పేజీకి సరిపడే మార్క్‌డౌన్ ఒక పేజీ.",
agent=writer
)

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

fact_checker = Agent(
role="Fact Checker",
goal="Validate all claims against primary sources; flag weak citations.",
backstory="Skeptical, meticulous, unbiased.",
llm=llm
)
qa_task = Task(
description="Validate all factual statements; add corrections inline with [FIX] tags.",
expected_output="A corrected draft with a summary of fixes.",
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=(
"2023-2025 మధ్య రిమోట్ వర్క్ ఉత్పాదకతపై 5 తాజా అధ్యయనాల సారాంశం(methodology, sample size, key findings తో)."
),
expected_output=(
"అంద каждому H2 విభాగాలతో మార్క్‌డౌన్, తుది సరిపోలిక పట్టీ, మరియు లింకులు."
),
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)
# r1, r2కు సమాంతర పనులు; తరువాత తమ అవుట్పుట్లను విలీనం చేసే సింథసిస్ టాస్క్.

qa = Agent(
role="QA Reviewer",
goal="Ensure outputs meet the acceptance criteria and style guide.",
backstory="You are strict and pedantic.",
llm=llm
)

researcher = Agent(
role="Analytical Researcher",
goal=(
"Deliver compact, accurate briefs with 3–5 credible citations and a risk note."
),
backstory=(
"You verify claims, prefer primary sources, and flag uncertainty."
),
llm=llm
)

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

persona = Agent(role="Persona Analyst", goal="Define ICP and JTBD.", llm=llm)
researcher = Agent(role="Researcher", goal="Collect credible data.", llm=llm)
synth = Agent(role="Synthesizer", goal="Compare and interpret.", llm=llm)
writer = Agent(role="Writer", goal="Create an executive-ready brief.", llm=llm)
qa = Agent(role="QA", goal="Validate claims and clarity.", llm=llm)
persona_task = Task(description="Define ICP & JTBD for RevOps leaders in SaaS.", agent=persona,
expected_output="Bullets + pain points + success metrics.")
research_task = Task(description="Collect pricing, features, and reviews for 3 tools.", agent=researcher,
expected_output="Table + 5 citations.")
synth_task = Task(description="Build a comparison matrix and top 3 insights.", agent=synth,
expected_output="Markdown table + insights.")
write_task = Task(description="Draft a 1-page brief with recommendations.", agent=writer,
expected_output="Executive brief in markdown.")
qa_task = Task(description="Check accuracy and readability; fix issues.", agent=qa,
expected_output="Clean, validated 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)