import os
from crewai import Agent, Task, Crew, Process
from langchain_ollama import ChatOllama

# ① Ollamaのローカルモデルを「脳」として設定
llm = ChatOllama(
    model="gemma4:12b",             # ollama list で確認したモデル名
    base_url="http://localhost:11434", # OllamaデフォルトAPIアドレス
    temperature=0.4               # 0=確定的 / 1=創造的。エージェントには0.3〜0.5推奨
)

# ② 専門分野の異なる3人の自律エージェントを定義

strategy_expert = Agent(
    role="戦略プランニングチーフ",
    goal="対象プロジェクトの市場価値を最大化し、競合に勝つための"
         "最速かつ最も影響力のある戦略を立案する",
    backstory="あなたはシリコンバレー出身の敏腕ストラテジスト。"
              "スピード、スケール、競合優位性を重視し、リスクを恐れず"
              "最大のインパクトを狙う提案を行います。",
    llm=llm,
    verbose=True  # AIの思考プロセスをターミナルに表示
)

ethics_expert = Agent(
    role="倫理・ガバナンス監視責任者",
    goal="プロジェクトのプライバシー、セキュリティ、法的責任を"
         "厳密に評価し、炎上やリスクを回避する",
    backstory="あなたはグローバル大企業の法務・倫理担当。AIの暴走、"
              "データ漏洩、社会的公平性に細心の注意を払います。",
    llm=llm, verbose=True
)

cost_expert = Agent(
    role="財務・コストコントローラー",
    goal="初期費用、ランニングコスト、開発工数を現実的に見積もり、"
         "費用対効果（ROI）を担保する",
    backstory="あなたは超現実主義のCFO。戦略チームの夢物語に対し"
              "『それ、予算はどこから出るの？』と現実を突きつけます。",
    llm=llm, verbose=True
)

TARGET_TOPIC = "『完全ローカルGemma 4の社内導入と業務自動化プロジェクト』"

task_strategy = Task(
    description=f"{TARGET_TOPIC}について、ビジネス戦略の観点から"
                 "最大のメリット・期待効果・競争優位性を分析してください。",
    expected_output="戦略メリット、推進シナリオ、KPI（箇条書き）",
    agent=strategy_expert
)
# task_ethics と task_cost も同様に定義（descriptionとagentを変えるだけ）

task_final_report = Task(
    description="戦略・倫理・コスト3人の分析を完全に統合し、全エージェントが"
                "合意できる意思決定レポートを日本語で作成してください。",
    expected_output="Markdown形式の統合レポート（概要・対策・ROI・各担当コメント）",
    agent=cost_expert  # 調停役として最終レポートを執筆
)

decision_crew = Crew(
    agents=[strategy_expert, ethics_expert, cost_expert],
    tasks=[task_strategy, task_ethics, task_cost, task_final_report],
    process=Process.sequential, # 順番に実行し、前の成果物を引き継ぐ
    verbose=True
)

if __name__ == "__main__":
    print("=" * 60)
    print("🚀 Gemma 4 12B による自律意思決定システムを起動します...")
    print("=" * 60)

    final_output = decision_crew.kickoff()  # ← ここで3人が自律稼働！

    print("\n" + "=" * 30 + " ✨ 最終分析レポート ✨ " + "=" * 30 + "\n")
    print(final_output)

# ── STEP 1: Ollamaでモデルをダウンロード（約7GB・初回のみ）──
$ ollama pull gemma4:12b
pulling manifest...
pulling model: ██████████████████░░ 87% 6.1 GB/7.0 GB

# ── STEP 2: 作業フォルダを作成し移動 ──
$ mkdir my-agent && cd my-agent

# ── STEP 3: Python仮想環境を作成してアクティベート ──
# Windowsの場合
$ python -m venv agent-env
$ agent-env\Scripts\activate
# Mac / Linuxの場合
$ python3 -m venv agent-env
$ source agent-env/bin/activate

# ── STEP 4: 必要なライブラリをインストール ──
(agent-env) $ pip install crewai langchain-ollama
Successfully installed crewai-0.x.x langchain-ollama-0.x.x

# ── STEP 5: スクリプトを実行！ ──
(agent-env) $ python multi_agent_analyzer.py
====================================================
🚀 自律意思決定システムを起動します...
====================================================
 Working Agent: 戦略プランニングチーフ
[Thought]: タスクの目標は...（AIの思考がここに流れる）

✨ 最終分析レポート ✨
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

# 多角的AI導入意思決定レポート

## 1. 導入戦略の概要
完全ローカル稼働のGemma 4 12Bを業務AIとして導入することで、
月間200時間の調査・レポート作成業務の完全自動化が見込まれます。
競合他社比6ヶ月のFirst-Moverアドバンテージが期待できます。

## 2. 安全性と倫理の担保策
- 【必須】入力データのログ保存ポリシーを策定（GDPR準拠）
- 【必須】役職別アクセス権限の設計と実装
- 【推奨】3ヶ月ごとのAI出力バイアス監査を実施

## 3. 費用対効果とロードマップ
| 項目               | コスト       |
|-------------------|------------|
| GPU搭載PCリース     | 月額 2万円   |
| エンジニア初期工数  | 24万円（一回）|
| セキュリティ監査    | 20万円（一回）|
| 月間削減効果        | -60万円/月  |
| ROI回収期間         | 3.7ヶ月     |

## 4. 各担当者の総括コメント
**⚡ 戦略:** 即時推進を強く支持。初期コストは投資対効果で正当化される。
**🛡️ 倫理:** 段階的展開と監査体制の構築を条件に承認。
**💰 コスト:** ROI良好。Phase 1をパイロット部門に限定し4週後に評価。