from crewai import Agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)
researcher = Agent(
role="นักวิจัยตลาด",
goal="ค้นหาข้อมูลเชิงลึกที่น่าเชื่อถือและเป็นปัจจุบันเกี่ยวกับตลาดเป้าหมายและคู่แข่ง",
backstory=(
"คุณเป็นนักวิเคราะห์ที่ขยันขันแข็งซึ่งตรวจสอบข้อกล่าวอ้าง อ้างอิงแหล่งที่มา และสรุป"
"สัญญาณจากสิ่งพิมพ์ที่มีชื่อเสียง"
),
tools=[], # เพิ่มเครื่องมือเว็บ/ค้นหา/scraper ในภายหลัง
llm=llm
)
strategist = Agent(
role="นักวางกลยุทธ์ผลิตภัณฑ์",
goal="สังเคราะห์งานวิจัยเป็น positioning และตัวเลือก roadmap ที่คมชัด",
backstory="คุณให้ความสำคัญกับความชัดเจน ความเป็นไปได้ และผลลัพธ์ที่วัดผลได้",
tools=[],
llm=llm
)
writer = Agent(
role="นักเขียนเนื้อหา",
goal="สร้าง brief ที่มีโครงสร้างดีพร้อมตัวอย่างและขั้นตอนต่อไป",
backstory="คุณเขียนเป็นภาษาอังกฤษที่กระชับ ชวนเชื่อ และปฏิบัติตามคู่มือรูปแบบ",
tools=[],
llm=llm
)

from crewai import Task
research_task = Task(
description=(
"วิจัยตลาดซอฟต์แวร์การจัดการโครงการ SMB ของสหรัฐอเมริกาในปี 2025"
"ระบุคู่แข่งชั้นนำ ระดับราคา ICP และความต้องการที่ไม่ได้รับการตอบสนองสามประการ"
"ส่งคืน bullet point พร้อมการอ้างอิง 3–5 รายการ"
),
expected_output=(
"markdown brief ที่มีส่วน: ขนาดตลาด ผู้เล่นหลัก ราคา ICP"
"ความต้องการที่ไม่ได้รับการตอบสนอง แหล่งที่มา (พร้อมลิงก์)"
),
agent=researcher
)
synthesis_task = Task(
description=(
"เมื่อใช้ research brief สร้าง positioning statement ข้อแตกต่าง 2–3 ข้อ"
"และ roadmap 90 วันพร้อม milestone"
),
expected_output="strategy memo ที่กระชับ (<= 400 คำ)",
agent=strategist</a22>
)
writing_task = Task(
description=(
"เปลี่ยน strategy memo เป็น one-pager ที่เปิดเผยต่อสาธารณะ ใส่ headline"
"value proposition feature bullet และ CTA"
),
expected_output="markdown one-pager ที่เหมาะสำหรับ landing page",
agent=writer
)

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

fact_checker = Agent(
role="ผู้ตรวจสอบข้อเท็จจริง",
goal="ตรวจสอบความถูกต้องของข้อกล่าวอ้างทั้งหมดกับแหล่งที่มาหลัก; ติด tag การอ้างอิงที่ไม่น่าเชื่อถือ",
backstory="สงสัย ระมัดระวัง เป็นกลาง",
llm=llm
)
qa_task = Task(
description="ตรวจสอบความถูกต้องของข้อความจริงทั้งหมด; เพิ่มการแก้ไขแบบอินไลน์ด้วย tag [FIX]",
expected_output="ฉบับร่างที่แก้ไขแล้วพร้อมสรุปการแก้ไข",
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=(
"สรุป 5 การศึกษาล่าสุดเกี่ยวกับประสิทธิภาพการทำงานระยะไกล (2023–2025) พร้อม"
"ระเบียบวิธี ขนาดตัวอย่าง และข้อค้นพบหลัก"
),
expected_output=(
"Markdown พร้อมส่วน H2 ต่อการศึกษา ตารางเปรียบเทียบสุดท้าย และลิงก์"
),
agent=researcher
)

r1 = Agent(role="นักวิจัย A", goal="เน้นที่ราคา", backstory="", llm=llm)
r2 = Agent(role="นักวิจัย B", goal="เน้นที่ฟีเจอร์", backstory="", llm=llm)
# งานแบบขนานสำหรับ r1, r2; งาน synthesis ที่ตามมาจะผสานรวมเอาต์พุตของพวกเขา

qa = Agent(
role="QA Reviewer",
goal="ตรวจสอบให้แน่ใจว่าเอาต์พุตตรงตามเกณฑ์การยอมรับและคู่มือรูปแบบ",
backstory="คุณเข้มงวดและจู้จี้จุกจิก",
llm=llm
)

researcher = Agent(
role="นักวิจัยเชิงวิเคราะห์",
goal=(
"ส่งมอบ brief ที่กระชับและแม่นยำพร้อมการอ้างอิงที่น่าเชื่อถือ 3–5 รายการและ risk note"
),
backstory=(
"คุณตรวจสอบข้อกล่าวอ้าง ชอบแหล่งที่มาหลัก และติด tag ความไม่แน่นอน"
),
llm=llm
)

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

persona = Agent(role="นักวิเคราะห์ Persona", goal="กำหนด ICP และ JTBD", llm=llm)
researcher = Agent(role="นักวิจัย", goal="รวบรวมข้อมูลที่น่าเชื่อถือ", llm=llm)
synth = Agent(role="Synthesizer", goal="เปรียบเทียบและตีความ", llm=llm)
writer = Agent(role="นักเขียน", goal="สร้าง brief ที่พร้อมสำหรับผู้บริหาร", llm=llm)
qa = Agent(role="QA", goal="ตรวจสอบข้อกล่าวอ้างและความชัดเจน", llm=llm)
persona_task = Task(description="กำหนด ICP & JTBD สำหรับผู้นำ RevOps ใน SaaS", agent=persona,
expected_output="Bullets + pain point + success metrics")
research_task = Task(description="รวบรวมราคา ฟีเจอร์ และรีวิวสำหรับเครื่องมือ 3 อย่าง", agent=researcher,
expected_output="ตาราง + การอ้างอิง 5 รายการ")
synth_task = Task(description="สร้าง comparison matrix และข้อมูลเชิงลึก 3 อันดับแรก", agent=synth,
expected_output="ตาราง Markdown + ข้อมูลเชิงลึก")
write_task = Task(description="ร่าง brief 1 หน้าพร้อมคำแนะนำ", agent=writer,
expected_output="Executive brief ใน markdown")
qa_task = Task(description="ตรวจสอบความถูกต้องและความสามารถในการอ่าน แก้ไขปัญหา", 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)