{"id":"1259f4db-b6e1-44df-9753-8ca9172e0bea","entityType":"agent","slug":"crewai-flaviagaia-market-intelligence-crewai","name":"market-intelligence-crewai","canonicalUrl":"https://www.xpersona.co/agent/crewai-flaviagaia-market-intelligence-crewai","canonicalPath":"/agent/crewai-flaviagaia-market-intelligence-crewai","generatedAt":"2026-10-10T04:17:03.323Z","source":"GITHUB_REPOS","claimStatus":"UNCLAIMED","verificationTier":"NONE","summary":{"evidence":{"source":"editorial-content","verified":true,"confidence":"high","updatedAt":"2026-10-09T21:25:45.252Z","emptyReason":null},"description":"Usando crewai para criar um sistema multiagente para montar um briefing de mercado. Market Intelligence CrewAI Um MVP multiagente para geração de briefings de inteligência de mercado a partir de sinais estruturados de demanda, concorrência, tendências e risco. O projeto foi desenhado para demonstrar como uma arquitetura inspirada em CrewAI pode dividir responsabilidades analíticas entre agentes especializados e consolidar a saída final em um resumo executivo orientado à decisão. Visão Geral O fluxo","descriptionLabel":"Technical summary","evidenceSummary":"Capability contract not published. No trust telemetry is available yet. Last updated 10/9/2026.","installCommand":null,"sourceUrl":"https://github.com/flaviagaia/market-intelligence-crewai","homepage":null,"primaryLinks":[{"label":"View Source","url":"https://github.com/flaviagaia/market-intelligence-crewai","kind":"source"}],"safetyScore":66,"overallRank":18.2,"popularityScore":0,"trustScore":null,"claimedByName":null,"isOwner":false,"seoDescription":"Usando crewai para criar um sistema multiagente para montar um briefing de mercado. Market Intelligence CrewAI Um MVP multiagente para geração de briefings de i"},"coverage":{"evidence":{"source":"public-profile","verified":false,"confidence":"medium","updatedAt":"2026-10-09T21:25:45.252Z","emptyReason":null},"protocols":[{"protocol":"OPENCLEW","label":"OpenClaw","status":"self-declared","notes":"Declared in the public agent profile."}],"capabilities":[{"label":"crewai","status":"self-declared"},{"label":"multi-agent","status":"self-declared"}],"verifiedCount":0,"selfDeclaredCount":3,"capabilityMatrix":{"rows":[{"key":"OPENCLEW","type":"protocol","support":"unknown","confidenceSource":"profile","notes":"Listed on profile"},{"key":"crewai","type":"capability","support":"supported","confidenceSource":"profile","notes":"Declared in agent profile metadata"},{"key":"multi-agent","type":"capability","support":"supported","confidenceSource":"profile","notes":"Declared in agent profile metadata"}],"flattenedTokens":"protocol:OPENCLEW|unknown|profile capability:crewai|supported|profile capability:multi-agent|supported|profile"}},"adoption":{"evidence":{"source":"no-adoption-signals","verified":false,"confidence":"low","updatedAt":"2026-10-09T21:25:45.252Z","emptyReason":"No source adoption metrics were available."},"stars":0,"forks":0,"downloads":null,"packageName":null,"latestVersion":null,"tractionLabel":null},"release":{"evidence":{"source":"agent-index","verified":false,"confidence":"medium","updatedAt":"2026-10-09T21:25:45.247Z","emptyReason":null},"lastUpdatedAt":"2026-10-09T21:25:45.252Z","lastCrawledAt":"2026-10-09T21:25:45.247Z","lastIndexedAt":null,"nextCrawlAt":"2026-10-16T21:25:45.247Z","lastVerifiedAt":null,"highlights":[]},"execution":{"evidence":{"source":"GITHUB REPOS","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No published capability contract is available yet."},"installCommand":null,"setupComplexity":"low","setupSteps":["Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.","Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data."],"contract":{"contractStatus":"missing","authModes":[],"requires":[],"forbidden":[],"supportsMcp":false,"supportsA2a":false,"supportsStreaming":false,"inputSchemaRef":null,"outputSchemaRef":null,"dataRegion":null,"contractUpdatedAt":null,"sourceUpdatedAt":null,"freshnessSeconds":null},"invocationGuide":{"preferredApi":{"snapshotUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/trust"},"curlExamples":["curl -s \"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/snapshot\"","curl -s \"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/contract\"","curl -s \"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/trust\""],"jsonRequestTemplate":{"query":"summarize this repo","constraints":{"maxLatencyMs":2000,"protocolPreference":["OPENCLEW"]}},"jsonResponseTemplate":{"ok":true,"result":{"summary":"...","confidence":0.9},"meta":{"source":"GITHUB_REPOS","generatedAt":"2026-10-10T04:17:03.323Z"}},"retryPolicy":{"maxAttempts":3,"backoffMs":[500,1500,3500],"retryableConditions":["HTTP_429","HTTP_503","NETWORK_TIMEOUT"]}},"endpoints":{"dossierUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/dossier","snapshotUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/snapshot","contractUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/contract","trustUrl":"https://www.xpersona.co/api/v1/agents/crewai-flaviagaia-market-intelligence-crewai/trust"}},"reliability":{"evidence":{"source":"runtime-metrics","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No trust, reliability, or runtime telemetry is available."},"trust":{"status":"unavailable","handshakeStatus":"UNKNOWN","verificationFreshnessHours":null,"reputationScore":null,"p95LatencyMs":null,"successRate30d":null,"fallbackRate":null,"attempts30d":null,"trustUpdatedAt":null,"trustConfidence":"unknown","sourceUpdatedAt":null,"freshnessSeconds":null},"decisionGuardrails":{"doNotUseIf":["Contract metadata is missing or unavailable for deterministic execution."],"safeUseWhen":[],"riskFlags":["missing_or_unavailable_contract","trust_data_unavailable","schema_references_missing"],"operationalConfidence":"low"},"executionMetrics":{"observedLatencyMsP50":null,"observedLatencyMsP95":null,"estimatedCostUsd":null,"uptime30d":null,"rateLimitRpm":null,"rateLimitBurst":null,"lastVerifiedAt":null,"verificationSource":null},"runtimeMetrics":{"successRate":null,"avgLatencyMs":null,"avgCostUsd":null,"hallucinationRate":null,"retryRate":null,"disputeRate":null,"p50Latency":null,"p95Latency":null,"lastUpdated":null}},"benchmarks":{"evidence":{"source":"no-benchmark-data","verified":false,"confidence":"low","updatedAt":null,"emptyReason":"No benchmark suites or observed failure patterns are available."},"suites":[],"failurePatterns":[]},"artifacts":{"evidence":{"source":"GITHUB REPOS","verified":false,"confidence":"high","updatedAt":"2026-10-09T21:25:45.252Z","emptyReason":null},"readme":"# Market Intelligence CrewAI\n\nUm MVP multiagente para geração de briefings de inteligência de mercado a partir de sinais estruturados de demanda, concorrência, tendências e risco. O projeto foi desenhado para demonstrar como uma arquitetura inspirada em `CrewAI` pode dividir responsabilidades analíticas entre agentes especializados e consolidar a saída final em um resumo executivo orientado à decisão.\n\n## Visão Geral\n\nO fluxo do projeto responde a uma pergunta simples: `vale a pena atacar este mercado agora?`\n\nPara isso, o pipeline estrutura a análise em cinco papéis:\n\n- `Research Agent`\n- `Competitor Agent`\n- `Trend Agent`\n- `Risk Agent`\n- `Executive Summary Agent`\n\nCada agente entrega uma fatia específica da análise, e a camada final consolida o briefing executivo com `opportunity score`, recomendação e próximos passos.\n\n## Interface\n\n![Interface do briefing de mercado](assets/market_crewai.jpg)\n\n## Arquitetura\n\n```mermaid\nflowchart LR\n    A[\"Market Signals Dataset\"] --> B[\"Research Agent\"]\n    A --> C[\"Trend Agent\"]\n    D[\"Competitors Dataset\"] --> E[\"Competitor Agent\"]\n    A --> F[\"Risk Agent\"]\n    B --> G[\"Executive Summary Agent\"]\n    C --> G\n    E --> G\n    F --> G\n    G --> H[\"Market Briefing JSON\"]\n    G --> I[\"Streamlit Interface\"]\n```\n\n## Topologia de Execução\n\nO pipeline foi estruturado para simular uma `crew` analítica com decomposição explícita de papéis, mesmo quando o runtime disponível é o `deterministic_fallback`.\n\n### Fases do fluxo\n\n1. `context selection`\n   - filtra `market_signals` e `competitors` por `sector` e `segment`\n   - aplica fallback progressivo quando a combinação não existe exatamente\n2. `agent-level analysis`\n   - cada papel produz uma saída parcial estruturada\n3. `score synthesis`\n   - agrega sinais positivos e negativos em um `opportunity_score`\n4. `executive consolidation`\n   - transforma os outputs em recomendação, resumo e próximos passos\n5. `artifact persistence`\n   - salva o briefing em `data/processed/market_briefing.json`, gerado em runtime\n\n## Estrutura do Projeto\n\n- [main.py](main.py)\n  - executa o pipeline ponta a ponta e imprime o resumo principal.\n- [app.py](app.py)\n  - interface técnica em Streamlit para explorar o briefing e as saídas dos agentes.\n- [src/pipeline.py](src/pipeline.py)\n  - orquestra o fluxo multiagente, gera o `briefing` e persiste o artefato.\n- [src/sample_data.py](src/sample_data.py)\n  - cria e carrega os datasets demo.\n- [tests/test_pipeline.py](tests/test_pipeline.py)\n  - valida a integridade mínima do pipeline.\n\n## Como o CrewAI entra na solução\n\nO ambiente local deste projeto não possui `CrewAI` instalado por padrão, então o código foi desenhado com dois modos:\n\n1. `crewai`\n   - quando a biblioteca está disponível, o pipeline inicializa `Agent`, `Task`, `Crew` e `Process.sequential`.\n2. `deterministic_fallback`\n   - quando a biblioteca não está instalada, o projeto mantém a mesma arquitetura funcional e executa a análise com lógica determinística, preservando os papéis, a sequência e o contrato de saída.\n\nEssa estratégia deixa o MVP reproduzível localmente sem esconder a modelagem multiagente que seria usada em produção com o framework.\n\n### Mapeamento conceitual para CrewAI\n\n- `Agent`\n  - cada agente representa um papel analítico especializado\n- `Task`\n  - cada etapa corresponde a uma responsabilidade delimitada, com saída esperada\n- `Crew`\n  - a solução assume uma `crew` com cinco especialistas\n- `Process.sequential`\n  - o resumo executivo depende dos insumos produzidos pelos agentes anteriores\n\nNa prática, o código atual mantém a mesma semântica mesmo sem invocar uma LLM real.\n\n## Modelo de Dados\n\nO projeto usa duas bases demo:\n\n### `market_signals.csv`\n\nCampos:\n- `sector`\n- `segment`\n- `signal_type`\n- `signal_label`\n- `intensity_score`\n- `impact_score`\n- `evidence`\n\n### `competitors.csv`\n\nCampos:\n- `sector`\n- `segment`\n- `company`\n- `positioning`\n- `strength`\n- `weakness`\n- `pricing_tier`\n\n## Contrato do Artefato Final\n\nO briefing persistido em `JSON` segue uma estrutura estável para facilitar integração posterior com API, banco ou camada de visualização:\n\n```json\n{\n  \"runtime_mode\": \"deterministic_fallback\",\n  \"process\": \"sequential\",\n  \"agent_count\": 5,\n  \"sector\": \"AI Operations\",\n  \"segment\": \"Mid-market SaaS\",\n  \"business_goal\": \"Assess whether this market is attractive for a focused entry strategy.\",\n  \"signals_evaluated\": 3,\n  \"competitors_evaluated\": 3,\n  \"opportunity_score\": 6.38,\n  \"research_agent_output\": {},\n  \"competitor_agent_output\": {},\n  \"trend_agent_output\": {},\n  \"risk_agent_output\": {},\n  \"executive_summary_agent_output\": {}\n}\n```\n\nCampos críticos:\n\n- `runtime_mode`\n  - indica se o fluxo executou com `crewai` ou `deterministic_fallback`\n- `process`\n  - explicita o estilo de orquestração usado\n- `opportunity_score`\n  - score heurístico de atratividade\n- `*_agent_output`\n  - blocos analíticos independentes por papel\n\n## Lógica Analítica\n\n### Research Agent\nConsolida sinais de `demand` e `adoption`, produz headline e lista as principais evidências.\n\n### Competitor Agent\nResume concorrentes, posicionamento, pricing tier e whitespace competitivo.\n\n### Trend Agent\nSinaliza intensidade média do mercado e padrões emergentes.\n\n### Risk Agent\nPrioriza riscos de adoção, compliance, execução e orçamento.\n\n### Executive Summary Agent\nConsolida tudo em:\n- `recommendation`\n- `summary`\n- `next_steps`\n- `confidence`\n\n## Estratégia de Seleção de Contexto\n\nO método `_select_context()` usa uma política simples de fallback:\n\n1. tenta o par exato `sector + segment`\n2. se vazio, usa apenas `sector`\n3. se ainda vazio, usa a base inteira\n\nEsse comportamento evita falha total em cenários de baixa cobertura e torna o MVP mais robusto para inputs fora do conjunto padrão.\n\n## Opportunity Score\n\nO `opportunity score` é um score heurístico entre `0` e `10`:\n\n- reforça sinais de `demand`, `adoption` e `trend`\n- penaliza sinais de `risk`\n- produz uma leitura rápida da atratividade do mercado dentro do contexto demo\n\nEle não deve ser lido como modelo estatístico supervisionado; aqui ele funciona como uma camada executiva de priorização.\n\n### Formulação usada\n\nO score atual segue esta lógica conceitual:\n\n```text\nopportunity_score =\n  clamp(\n    (media_demand_and_trend * 0.75)\n    + 2\n    - (media_risk * 0.25),\n    0,\n    10\n  )\n```\n\nOnde:\n\n- `media_demand_and_trend`\n  - média dos sinais classificados como `demand`, `adoption` e `trend`\n- `media_risk`\n  - média dos sinais classificados como `risk`\n\nIsso não pretende ser um modelo econométrico. É uma camada de decisão rápida para priorização executiva em um MVP.\n\n## Decisões de Implementação\n\n- `pandas`\n  - usado para filtragem, ordenação e serialização dos datasets demo\n- `dataclass`\n  - usada em `BriefingRequest` para explicitar o contrato de entrada do pipeline\n- `json persistence`\n  - torna a saída inspecionável, reproduzível e fácil de integrar\n- `Streamlit`\n  - funciona como interface técnica de auditoria do briefing\n- `CrewAI optional runtime`\n  - evita tornar o projeto inutilizável em ambientes sem o framework instalado\n\n## Interface Streamlit\n\nO app em [app.py](app.py) foi desenhado mais como `inspection console` do que como front-end comercial.\n\nEle expõe:\n\n- configuração do briefing por `sector`, `segment` e `business_goal`\n- métricas de topo do runtime\n- saída de cada agente em `tabs`\n- visualização das bases usadas\n- artefato `JSON` persistido integralmente\n\nEsse desenho ajuda a equipe técnica a auditar o comportamento do pipeline sem depender apenas do código-fonte.\n\n## Validação\n\nO projeto já inclui uma suíte mínima em [tests/test_pipeline.py](tests/test_pipeline.py), cobrindo:\n\n- geração do briefing\n- presença dos campos centrais\n- integridade do score\n- presença da recomendação executiva\n\n## Execução Local\n\n### Pipeline\n\n```bash\npython3 main.py\n```\n\n### Testes\n\n```bash\npython3 -m unittest discover -s tests -v\n```\n\n### Streamlit\n\n```bash\nstreamlit run app.py\n```\n\n## Resultado Atual da Demo\n\nAo rodar com a configuração padrão:\n\n- `runtime_mode`: `deterministic_fallback`\n- `sector`: `AI Operations`\n- `segment`: `Mid-market SaaS`\n- `signals_evaluated`: `3`\n- `competitors_evaluated`: `3`\n- `opportunity_score`: `6.38`\n- `recommendation`: `Validate demand further before scaling.`\n\n## Limitações Conhecidas\n\n- base pequena e sintética\n- sem LLM real acoplada aos agentes\n- score heurístico, não supervisionado\n- ausência de séries temporais, pricing real e fontes externas\n- briefing orientado a demonstração arquitetural, não a decisão de investimento real\n\n## Próximas Evoluções\n\n- conectar uma LLM real aos agentes do `CrewAI`;\n- adicionar ferramentas externas de pesquisa;\n- criar scoring supervisionado de atratividade de mercado;\n- enriquecer a base demo com séries temporais e pricing benchmarks;\n- publicar o briefing em formato PDF e dashboard executivo.\n\n---\n\n# English Version\n\n`Market Intelligence CrewAI` is a multi-agent MVP for generating market briefing reports from structured signals covering demand, competition, trends, and risk.\n\n## Interface\n\n![Market intelligence interface](assets/market_crewai.jpg)\n\nThe solution is designed to demonstrate a `CrewAI`-style architecture with specialized agents:\n\n- `Research Agent`\n- `Competitor Agent`\n- `Trend Agent`\n- `Risk Agent`\n- `Executive Summary Agent`\n\n## Technical Notes\n\nThe project supports two execution modes:\n\n1. `crewai`\n   - if the framework is installed, the code initializes `Agent`, `Task`, `Crew`, and `Process.sequential`.\n2. `deterministic_fallback`\n   - if `CrewAI` is unavailable, the project preserves the same multi-agent structure through deterministic orchestration so the MVP remains runnable and testable.\n\n## What the project demonstrates\n\n- multi-agent architecture design;\n- role-based analytical decomposition;\n- structured market signal processing;\n- executive summary generation;\n- reproducible Streamlit demo and persisted JSON output.\n\n## Additional Technical Highlights\n\n- stable JSON artifact contract for downstream integrations;\n- explicit sequential orchestration semantics;\n- scoped context selection with graceful fallback behavior;\n- heuristic opportunity scoring layer for executive prioritization;\n- inspectable outputs per agent role instead of a single opaque summary.\n","readmeExcerpt":"Market Intelligence CrewAI Um MVP multiagente para geração de briefings de inteligência de mercado a partir de sinais estruturados de demanda, concorrência, tendências e risco. O projeto foi desenhado para demonstrar como uma arquitetura inspirada em CrewAI pode dividir responsabilidades analíticas entre agentes especializados e consolidar a saída final em um resumo executivo orientado à decisão. Visão Geral O fluxo ","codeSnippets":[],"executableExamples":[{"language":"mermaid","snippet":"flowchart LR\n    A[\"Market Signals Dataset\"] --> B[\"Research Agent\"]\n    A --> C[\"Trend Agent\"]\n    D[\"Competitors Dataset\"] --> E[\"Competitor Agent\"]\n    A --> F[\"Risk Agent\"]\n    B --> G[\"Executive Summary Agent\"]\n    C --> G\n    E --> G\n    F --> G\n    G --> H[\"Market Briefing JSON\"]\n    G --> I[\"Streamlit Interface\"]"},{"language":"json","snippet":"{\n  \"runtime_mode\": \"deterministic_fallback\",\n  \"process\": \"sequential\",\n  \"agent_count\": 5,\n  \"sector\": \"AI Operations\",\n  \"segment\": \"Mid-market SaaS\",\n  \"business_goal\": \"Assess whether this market is attractive for a focused entry strategy.\",\n  \"signals_evaluated\": 3,\n  \"competitors_evaluated\": 3,\n  \"opportunity_score\": 6.38,\n  \"research_agent_output\": {},\n  \"competitor_agent_output\": {},\n  \"trend_agent_output\": {},\n  \"risk_agent_output\": {},\n  \"executive_summary_agent_output\": {}\n}"},{"language":"text","snippet":"opportunity_score =\n  clamp(\n    (media_demand_and_trend * 0.75)\n    + 2\n    - (media_risk * 0.25),\n    0,\n    10\n  )"},{"language":"bash","snippet":"python3 main.py"},{"language":"bash","snippet":"python3 -m unittest discover -s tests -v"},{"language":"bash","snippet":"streamlit run app.py"}],"parameters":null,"dependencies":[],"permissions":[],"extractedFiles":[],"languages":["python"],"docsSourceLabel":"GITHUB REPOS","editorialOverview":"Usando crewai para criar um sistema multiagente para montar um briefing de mercado. Market Intelligence CrewAI Um MVP multiagente para geração de briefings de inteligência de mercado a partir de sinais estruturados de demanda, concorrência, tendências e risco. O projeto foi desenhado para demonstrar como uma arquitetura inspirada em CrewAI pode dividir responsabilidades analíticas entre agentes especializados e consolidar a saída final em um resumo executivo orientado à decisão. Visão Geral O fluxo","editorialQuality":{"score":100,"threshold":65,"status":"ready","wordCount":385,"uniquenessScore":69,"reasons":[]}},"media":{"evidence":{"source":"no-media","verified":false,"confidence":"low","updatedAt":"2026-10-09T21:25:45.252Z","emptyReason":"No screenshots, media assets, or demo links are available."},"primaryImageUrl":null,"mediaAssetCount":0,"assets":[],"demoUrl":null},"ownerResources":{"evidence":{"source":"unclaimed","verified":false,"confidence":"low","updatedAt":"2026-10-09T21:25:45.252Z","emptyReason":"This page has not been claimed by the agent owner."},"hasCustomPage":false,"customPageUpdatedAt":null,"customLinks":[],"structuredLinks":{"docsUrl":null,"demoUrl":null,"supportUrl":null,"pricingUrl":null,"statusUrl":null},"customPage":null},"relatedAgents":{"evidence":{"source":"protocol-neighbors","verified":false,"confidence":"medium","updatedAt":"2026-10-10T04:17:03.323Z","emptyReason":null},"items":[{"id":"8ebccd8e-3863-4187-8355-c3f14e1f9edf","entityType":"agent","canonicalPath":"/agent/iofficeai-aionui","slug":"iofficeai-aionui","name":"AionUi","description":"Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!","url":"https://github.com/iOfficeAI/AionUi","homepage":"https://www.aionui.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-10-09T19:11:12.944Z","createdAt":"2026-02-25T03:38:16.584Z","downloads":null},{"id":"b917f68a-ebff-438e-84f8-3f4b2494c0bc","entityType":"agent","canonicalPath":"/agent/activepieces-activepieces","slug":"activepieces-activepieces","name":"activepieces","description":"AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents","url":"https://github.com/activepieces/activepieces","homepage":"https://www.activepieces.com","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-15T02:22:12.426Z","createdAt":"2026-02-25T03:38:12.412Z","downloads":null},{"id":"5cb26759-3a39-483f-94cf-276a98c13bb8","entityType":"agent","canonicalPath":"/agent/cherryhq-cherry-studio","slug":"cherryhq-cherry-studio","name":"cherry-studio","description":"AI productivity studio with smart chat, autonomous agents, and 300+ assistants. Unified access to frontier LLMs","url":"https://github.com/CherryHQ/cherry-studio","homepage":"https://cherry-ai.com","source":"GITHUB_REPOS","protocols":["MCP","OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-04-11T14:38:40.986Z","createdAt":"2026-02-25T03:38:19.379Z","downloads":null},{"id":"6f6582d0-5d76-4f0f-b81d-86520247950b","entityType":"agent","canonicalPath":"/agent/copilotkit-copilotkit","slug":"copilotkit-copilotkit","name":"CopilotKit","description":"The Frontend for Agents & Generative UI. React + Angular","url":"https://github.com/CopilotKit/CopilotKit","homepage":"https://docs.copilotkit.ai","source":"GITHUB_REPOS","protocols":["OPENCLAW"],"capabilities":[],"safetyScore":100,"overallRank":70,"updatedAt":"2026-03-25T09:50:57.846Z","createdAt":"2026-02-25T03:39:14.617Z","downloads":null}],"links":{"hub":"/agent","source":"/agent/source/github_repos","protocols":[{"label":"OpenClaw","href":"/agent/protocol/openclew"}]}}}