# Installer CrewAI et ses outils
pip install crewai crewai-tools

# Vérifier l'installation
python -c "import crewai; print(crewai.__version__)"

# Créer un nouveau projet CrewAI (recommandé)
crewai create crew mon_projet
cd mon_projet

# Télécharger un modèle performant pour les agents
ollama pull llama3.2

# Pour des tâches plus complexes
ollama pull mistral

# Configurer la variable d'environnement (optionnel)
export OPENAI_API_KEY="NA"  # Désactive OpenAI

from crewai import Agent, Task, Crew
from crewai import LLM

# Configurer le modèle local Ollama
llm = LLM(
    model="ollama/llama3.2",
    base_url="http://localhost:11434"
)

# Définir l'agent chercheur
researcher = Agent(
    role="Chercheur Senior",
    goal="Trouver des informations précises et pertinentes sur {topic}",
    backstory="""Tu es un chercheur expérimenté avec 10 ans d'expérience
    dans l'analyse de données et la veille technologique. Tu es rigoureux
    et tu vérifies toujours tes sources.""",
    llm=llm,
    verbose=True
)

# Définir l'agent rédacteur
writer = Agent(
    role="Rédacteur Technique",
    goal="Rédiger un rapport clair et structuré basé sur les recherches",
    backstory="""Tu es un rédacteur technique qui excelle dans la 
    vulgarisation de sujets complexes. Tu écris de façon concise
    et accessible.""",
    llm=llm,
    verbose=True
)

# Définir les tâches
research_task = Task(
    description="""Recherche les dernières avancées sur {topic}.
    Identifie les 3 points clés et leurs implications pratiques.""",
    expected_output="Un résumé structuré des 3 points clés avec sources",
    agent=researcher
)

writing_task = Task(
    description="""À partir des recherches, rédige un rapport de 500 mots
    sur {topic}. Structure : introduction, 3 sections principales, conclusion.""",
    expected_output="Un rapport de 500 mots en français, bien structuré",
    agent=writer
)

# Créer et exécuter l'équipe
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    verbose=True
)

# Lancer l'exécution
result = crew.kickoff(inputs={"topic": "l'IA générative en 2026"})
print(result)

from crewai_tools import (
    FileReadTool,
    DirectoryReadTool,
    WebsiteSearchTool,
    SerperDevTool
)

# Outil pour lire des fichiers
file_tool = FileReadTool()

# Outil pour lister un répertoire
dir_tool = DirectoryReadTool()

# Outil de recherche web (nécessite SERPER_API_KEY)
search_tool = SerperDevTool()

# Agent avec outils
analyst = Agent(
    role="Analyste Système",
    goal="Analyser les fichiers de configuration et logs",
    backstory="Expert en administration système Linux",
    tools=[file_tool, dir_tool],
    llm=llm,
    verbose=True
)

# Tâche qui utilise les outils
analysis_task = Task(
    description="""Analyse le fichier /etc/nginx/nginx.conf
    et identifie les problèmes de configuration potentiels.""",
    expected_output="Liste des problèmes avec recommandations",
    agent=analyst
)

# config/agents.yaml
researcher:
  role: "Chercheur Senior en {topic}"
  goal: "Découvrir les dernières tendances et informations sur {topic}"
  backstory: |
    Tu es un chercheur reconnu avec une expertise approfondie.
    Tu analyses les sources avec rigueur et tu identifies
    les informations les plus pertinentes.

writer:
  role: "Rédacteur Technique"
  goal: "Créer du contenu engageant et informatif sur {topic}"
  backstory: |
    Tu es un rédacteur expérimenté qui transforme
    des informations complexes en contenus accessibles.

# config/tasks.yaml
research_task:
  description: |
    Effectue une recherche approfondie sur {topic}.
    Identifie les tendances actuelles, les acteurs clés,
    et les développements récents.
  expected_output: |
    Un rapport de recherche avec :
    - 5 tendances clés
    - 3 acteurs majeurs
    - Prévisions pour les 12 prochains mois
  agent: researcher

writing_task:
  description: |
    Rédige un article de blog basé sur les recherches.
    Le ton doit être professionnel mais accessible.
  expected_output: |
    Un article de blog de 800 mots avec introduction,
    corps et conclusion. Format Markdown.
  agent: writer
  context:
    - research_task

from crewai import Agent, Task, Crew, Process
from crewai import LLM
from crewai_tools import FileReadTool

llm = LLM(model="ollama/llama3.2", base_url="http://localhost:11434")

# Agent collecteur de métriques
collector = Agent(
    role="Collecteur de Métriques",
    goal="Collecter les métriques système (CPU, RAM, disque)",
    backstory="Spécialiste en monitoring système Linux",
    tools=[FileReadTool()],
    llm=llm
)

# Agent analyste
analyst = Agent(
    role="Analyste Performance",
    goal="Analyser les métriques et détecter les anomalies",
    backstory="Expert en analyse de performance avec 10 ans d'expérience",
    llm=llm
)

# Agent rapporteur
reporter = Agent(
    role="Rapporteur",
    goal="Générer des rapports clairs et actionnables",
    backstory="Rédacteur technique spécialisé en documentation DevOps",
    llm=llm
)

# Tâches
collect_task = Task(
    description="Collecte les métriques système actuelles du serveur",
    expected_output="Données brutes : CPU, RAM, disque, load average",
    agent=collector
)

analyze_task = Task(
    description="Analyse les métriques et identifie les problèmes potentiels",
    expected_output="Liste des anomalies avec niveau de sévérité",
    agent=analyst,
    context=[collect_task]
)

report_task = Task(
    description="Génère un rapport de santé du serveur",
    expected_output="Rapport Markdown avec statut, alertes et recommandations",
    agent=reporter,
    context=[analyze_task],
    output_file="server_report.md"
)

# Équipe avec processus séquentiel
monitoring_crew = Crew(
    agents=[collector, analyst, reporter],
    tasks=[collect_task, analyze_task, report_task],
    process=Process.sequential,
    verbose=True
)

# Exécution
result = monitoring_crew.kickoff()
print(f"Rapport généré : {result}")

# Mode séquentiel (par défaut)
crew = Crew(
    agents=[agent1, agent2],
    tasks=[task1, task2],
    process=Process.sequential
)

# Mode hiérarchique avec manager
crew = Crew(
    agents=[agent1, agent2, agent3],
    tasks=[task1, task2, task3],
    process=Process.hierarchical,
    manager_llm=llm  # LLM pour le manager
)