Ir al contenido principal
Español— Elegir un idioma
Menú

API de Búsqueda Web: Búsqueda web programática

Lección 5 de 20 Actualizado el 2 de noviembre de 2026 Desarrollador
En esta página
  1. API de Búsqueda Web: Búsqueda web programática
  2. Activar la búsqueda web
  3. Estructura de la respuesta
  4. Contexto de usuario para la relevancia
  5. Combinar la búsqueda web con funciones personalizadas
  6. Casos de uso en producción
  7. Limitaciones conocidas
  8. Puntos clave

Lección actualizada el 2 de noviembre de 2026 según la documentación de OpenAI: la herramienta Code Interpreter requiere ahora un parámetro container (añadido a todos los ejemplos), las partes de texto de entrada son de tipo input_text y la búsqueda web utiliza la herramienta web_search (web_search_preview es ahora una herramienta heredada sin filtros de dominio). Los archivos generados se recuperan mediante las funciones fichiers_generes y telecharger de la Lección 10. Fuentes: Code Interpreter · Búsqueda web.

API de Búsqueda Web: Búsqueda web programática

La herramienta Web Search permite al modelo realizar búsquedas en la web en tiempo real directamente desde la API de Responses. Ya no necesitas integrar una API de búsqueda de terceros: el modelo formula la consulta, ejecuta la búsqueda y sintetiza los resultados.

Activar la búsqueda web

La activación requiere solo una línea, lo que oculta un cambio fundamental: tu aplicación ya no está limitada por la fecha de corte del conocimiento del modelo. Las preguntas sobre eventos de ayer, precios actuales o normativas recientes pueden responderse sin necesidad de integrar ni pagar un motor de búsqueda externo.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="¿Cuáles son los últimos resultados de la Ligue 1?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

El modelo decide cuándo buscar por sí mismo, y este punto merece atención: no busca de forma sistemática. Para preguntas que cree que entran dentro de su conocimiento existente, responde directamente; es más rápido y barato, pero con el riesgo de presentar información obsoleta con la misma confianza. Cuando la actualidad es crítica, indícalo explícitamente en tu prompt en lugar de confiar en que el modelo lo adivine correctamente.

Estructura de la respuesta

Las fuentes llegan como anotaciones adjuntas a la respuesta, separadas del texto. Esto te permite mostrarlas a tu manera, verificarlas o marcar como sospechosa cualquier respuesta que carezca de fuentes cuando el tema las exige.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="¿Cuál es el precio actual de la acción de LVMH?",
    tools=[{"type": "web_search"}]
)

# Texto sintetizado
print(response.output_text)

# Examinar fuentes
for item in response.output:
    if hasattr(item, "content"):
        for block in item.content:
            if hasattr(block, "annotations"):
                for annotation in block.annotations:
                    if annotation.type == "url_citation":
                        print(f"Fuente: {annotation.url}")
                        print(f"Título : {annotation.title}")

Contexto de usuario para la relevancia

La ubicación afecta a los resultados más de lo que podrías esperar, y no solo en búsquedas obviamente locales. Las preguntas sobre fiscalidad, precios, disponibilidad u obligaciones legales ofrecen respuestas diferentes según el país: sin user_location, el modelo utiliza por defecto un contexto que a menudo está centrado en EE. UU.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="¿Qué restaurante japonés está abierto esta noche?",
    tools=[{
        "type": "web_search",
        "user_location": {
            "type": "approximate",
            "city": "Paris",
            "country": "FR"
        }
    }]
)

El parámetro user_location acepta varios niveles de precisión:

# Ubicación aproximada
"user_location": {
    "type": "approximate",
    "city": "Lyon",
    "region": "Auvergne-Rhone-Alpes",
    "country": "FR"
}

Combinar la búsqueda web con funciones personalizadas

La combinación más productiva sigue siempre el mismo patrón: la web aporta información externa, tus funciones proporcionan contexto interno y el modelo conecta los puntos. Ahí reside el valor: ni la búsqueda ni tus datos por sí solos responden a «¿nos afecta este cambio?».

tools = [
    {"type": "web_search"},
    {
        "type": "function",
        "name": "sauvegarder_veille",
        "description": "Guardar un resultado de monitorización en la base de datos",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "resume": {"type": "string"},
                "url_source": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["concurrent", "marche", "reglementation", "technologie"]
                }
            },
            "required": ["titre", "resume", "categorie"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Busca las últimas noticias sobre la regulación de la IA en Europa "
          "y guarda los resultados importantes",
    tools=tools
)

Casos de uso en producción

Inteligencia competitiva automatizada

def veille_quotidienne(entreprises: list[str]):
    """Lanza la monitorización web para cada competidor."""
    resultats = []
    for entreprise in entreprises:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=f"¿Cuáles son las últimas noticias sobre {entreprise}? "
                  "Céntrate en anuncios de productos, rondas de financiación "
                  "y asociaciones de los últimos 7 días.",
            tools=[{"type": "web_search"}]
        )
        resultats.append({
            "entreprise": entreprise,
            "synthese": response.output_text
        })
    return resultats

Verificación de hechos

def verifier_affirmation(affirmation: str) -> dict:
    """Verifica una afirmación cruzando múltiples fuentes web."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Verifica esta afirmación buscando fuentes fiables: "
              f"'{affirmation}'. Indica si es verdadera, falsa o incierta, "
              f"incluyendo las fuentes que respaldan tu conclusión.",
        tools=[{"type": "web_search"}]
    )

    # Extraer citas
    sources = []
    for item in response.output:
        if hasattr(item, "content"):
            for block in item.content:
                if hasattr(block, "annotations"):
                    for ann in block.annotations:
                        if ann.type == "url_citation":
                            sources.append(ann.url)

    return {
        "analyse": response.output_text,
        "nombre_sources": len(sources),
        "sources": sources
    }

Limitaciones conocidas

  • El modelo puede no encontrar resultados relevantes para temas muy específicos
  • Los resultados dependen de la indexación web en el momento de la solicitud
  • El número de búsquedas por llamada está limitado: el modelo optimiza formulando consultas precisas
  • El contenido tras muros de pago o pantallas de inicio de sesión es inaccesible

Puntos clave

  • Añade web_search en una sola línea dentro de tools
  • El modelo decide autónomamente cuándo buscar en la web
  • user_location mejora la relevancia de los resultados locales
  • Las anotaciones url_citation proporcionan las fuentes
  • Combina Web Search con tus funciones para automatizar la monitorización