# Сравнение фреймворков для бизнес-автоматизации — 2026
# Low-Code: быстрое прототипирование, готовые интеграции
n8n        → 400+ интеграций, self-hosted бесплатно, визуальные воркфлоу
Make       → 2000+ приложений, графический конструктор, от $9/мес
Dify       → RAG из коробки, AI-воркфлоу без кода, self-hosted

# Фреймворки: максимальная гибкость, нужен Python
LangChain  → "швейцарский нож" для агентов, RAG, chains
CrewAI     → multi-agent оркестрация, ролевые агенты
AutoGen    → диалоговые multi-agent системы (Microsoft)

# SaaS: быстрый старт без инфраструктуры
Relevance  → no-code AI агенты, свой LLM, BDR-агенты
Lindy      → AI-сотрудники для поддержки, продаж, HR
Synthflow  → голосовые AI-агенты для звонков

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import tool
import json

# 1. Инструмент: обогащение лида (поиск компании)
@tool
def enrich_lead(company_name: str) → str:
    """Обогащает данные лида: размер компании, индустрия, ИНН."""
    # В реальном коде — API DaData, Clearbit или внутренняя БД
    return json.dumps({
        "company": company_name,
        "industry": "IT / SaaS",
        "employees": "50-200",
        "revenue": "$5M-$20M",
        "score": 85  # scoring лида 0-100
    })

# 2. Инструмент: создание задачи в CRM (HubSpot/Pipedrive)
@tool
def create_crm_task(lead_data: str, priority: str) → str:
    """Создаёт задачу в CRM для менеджера."""
    return f"✅ Задача создана | Приоритет: {priority} | Данные: {lead_data[:80]}..."

# 3. Сборка агента
llm = ChatOpenAI(model="gpt-4o", temperature=0.2)
tools = [enrich_lead, create_crm_task]

agent_executor = AgentExecutor(
    agent=create_openai_functions_agent(llm, tools, """Ты — AI-агент обработки лидов.
1. Проанализируй заявку: компания, контакты, источник
2. Обогати данные через enrich_lead
3. Определи приоритет (high/medium/low)
4. Создай задачу в CRM через create_crm_task"""),
    tools=tools,
    verbose=True
)

# 4. Тестовый запуск
result = agent_executor.invoke({
    "input": "Новый лид: ООО 'ТехноПлюс', контакт Иван, ivan@techno.ru, источник — вебинар от 29.07"
})
print(result["output"])

from langchain_community.document_loaders import PyPDFLoader
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_chroma import Chroma
import imaplib, email

# === Шаг 1: Загрузка PDF в векторную БД ===
loader = PyPDFLoader("/data/invoices/invoice_2026_07.pdf")
pages = loader.load_and_split()

# Chroma — легковесная векторная БД, идеальна для прототипов
vectordb = Chroma.from_documents(
    pages, OpenAIEmbeddings(),
    persist_directory="./chroma_db"
)

# === Шаг 2: Извлечение структурированных данных ===
llm = ChatOpenAI(model="gpt-4o", temperature=0)

def extract_invoice_fields(pdf_path: str) → dict:
    """Извлекает поля счета через LLM."""
    pages = PyPDFLoader(pdf_path).load_and_split()
    text = "\n".join(p.page_content for p in pages)

    prompt = f"""Извлеки из текста счёта JSON с полями:
- invoice_number, date, supplier_name, total_amount, currency
- line_items (список товаров/услуг с ценами)
- due_date, bank_details

Текст: {text[:8000]}"""
    response = llm.invoke(prompt)
    return json.loads(response.content)

# === Шаг 3: Мониторинг email и автоматическая обработка ===
def monitor_inbox(folder="INBOX", subject_filter="счёт|договор|invoice"):
    """Подключается к почтовому ящику, ищет документы."""
    mail = imaplib.IMAP4_SSL("imap.gmail.com")
    mail.login(os.getenv("EMAIL_USER"), os.getenv("EMAIL_PASS"))
    mail.select(folder)

    _, ids = mail.search(None, f'(UNSEEN SUBJECT "{subject_filter}")')
    for msg_id in ids[0].split():
        _, raw = mail.fetch(msg_id, "(RFC822)")
        msg = email.message_from_bytes(raw[0][1])
        for part in msg.walk():
            if part.get_content_maintype() == "application" and "pdf" in part.get_content_type():
                with open(f"/data/inbox/{msg_id}.pdf", "wb") as f:
                    f.write(part.get_payload(decode=True))
                data = extract_invoice_fields(f"/data/inbox/{msg_id}.pdf")
                print(f"📄 Обработан: {data['invoice_number']} — {data['total_amount']} {data['currency']}")
                # → Далее роутинг в ERP-систему или бухгалтерию

from hubspot import HubSpot
import gspread
from telegram import Bot

# === Мульти-инструментальный агент ===

@tool
def hs_search_contact(email: str) → str:
    """Ищет контакт в HubSpot по email."""
    api = HubSpot(access_token=os.getenv("HUBSPOT_TOKEN"))
    results = api.crm.contacts.search_api.do_search(
        filter_groups=[{"filters": [{"propertyName": "email", "operator": "EQ", "value": email}]}]
    )
    return json.dumps(results.to_dict(), ensure_ascii=False) if results else "Контакт не найден"

@tool
def tg_notify_manager(manager_id: str, message: str) → str:
    """Отправляет уведомление менеджеру в Telegram."""
    bot = Bot(token=os.getenv("TG_BOT_TOKEN"))
    bot.send_message(chat_id=manager_id, text=message, parse_mode="HTML")
    return "✅ Уведомление отправлено"

@tool
def sheets_log_lead(lead_data: str) → str:
    """Логирует лид в Google Sheets (воронка продаж)."""
    gc = gspread.service_account(filename="service_account.json")
    sheet = gc.open("Воронка продаж 2026").sheet1
    data = json.loads(lead_data)
    sheet.append_row([
        data.get("company", ""),
        data.get("contact", ""),
        data.get("source", ""),
        data.get("score", 0),
        datetime.now().isoformat()
    ])
    return "📊 Лид добавлен в воронку"

# Собираем агента со всеми интеграциями
tools = [hs_search_contact, tg_notify_manager, sheets_log_lead,
         enrich_lead, create_crm_task]  # + инструменты из секции #2

# === Dockerfile для AI-агента ===
FROM python:3.12-slim

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .

# Healthcheck: проверяем, что агент отвечает
HEALTHCHECK --interval=30s --timeout=5s \
  CMD curl -f http://localhost:8000/health || exit 1

EXPOSE 8000
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

# === FastAPI эндпоинт с мониторингом ===
from fastapi import FastAPI
from langfuse.callback import CallbackHandler
from prometheus_fastapi_instrumentator import Instrumentator

app = FastAPI(title="Lead Agent API")
langfuse_handler = CallbackHandler(
    public_key=os.getenv("LANGFUSE_PUBLIC"),
    secret_key=os.getenv("LANGFUSE_SECRET")
)

# Prometheus метрики (latency, throughput, errors)
Instrumentator().instrument(app).expose(app)

@app.post("/process-lead")
async def process_lead(request: LeadRequest):
    """Принимает заявку и запускает агента."""
    result = agent_executor.invoke(
        {"input": request.text},
        config={"callbacks": [langfuse_handler]}
    )
    return {"status": "ok", "output": result["output"]}

# LangFuse → дашборд в реальном времени: cost, latency, traces
# Prometheus → Grafana: QPS, p95 latency, error rate
# Алерты в Telegram при error rate > 5% или p95 > 10s

# === Паттерн: Multi-Agent (CrewAI) ===
from crewai import Agent, Task, Crew

# Специализированные агенты для воронки продаж
lead_researcher = Agent(role="Исследователь лидов",
    goal="Найти и квалифицировать потенциальных клиентов",
    tools=[enrich_lead, hs_search_contact],
    llm=llm)

sales_writer = Agent(role="Sales Copywriter",
    goal="Написать персонализированное КП",
    llm=llm)

followup_manager = Agent(role="Менеджер follow-up",
    goal="Запланировать касания и отправить в CRM",
    tools=[create_crm_task, tg_notify_manager],
    llm=llm)

crew = Crew(
    agents=[lead_researcher, sales_writer, followup_manager],
    tasks=[research_task, write_task, followup_task],
    process="sequential"  # или "hierarchical"
)

# === Паттерн: Human-in-the-Loop ===
def process_with_approval(lead_score):
    if lead_score > 90:
        # Высокий score — автоматически в работу
        return create_crm_task(data, "high")
    elif lead_score > 50:
        # Средний — запрос подтверждения менеджера
        tg_notify_manager("manager_123", f"🤔 Лид {data}. Взять в работу?")
        return "⏳ Ожидание подтверждения"
    else:
        # Низкий — автописьмо-квалификация
        return send_qualification_email(data)

# === Паттерн: Agentic RAG для множественных документов ===
# Агент сам решает: искать в Qdrant, переформулировать запрос,
# сравнить несколько документов или запросить уточнение