Ir al contenido principal
Español— Elegir un idioma
Menú

Búsqueda de archivos frente a RAG personalizado: cuándo usar cada uno

Lección 16 de 22 Actualizado el 29 de julio de 2026 Desarrollador
En esta página
  1. Objetivos
  2. Búsqueda de archivos: el RAG gestionado de OpenAI
  3. Lo que la Búsqueda de archivos te da y lo que te quita
  4. Matriz de decisión
  5. Arquitectura híbrida: lo mejor de ambos mundos
  6. Resumen

Objetivos

  • Comprender el RAG gestionado de OpenAI (Búsqueda de archivos)
  • Comparar la Búsqueda de archivos con una canalización RAG personalizada
  • Elegir el enfoque adecuado para tu caso de uso

Búsqueda de archivos: el RAG gestionado de OpenAI

Acabas de construir capa por capa una canalización RAG, lección tras lección. La Búsqueda de archivos hace todo esto por ti. Es una herramienta integrada en la API de Respuestas de OpenAI que gestiona automáticamente la fragmentación, la incrustación (embedding), el almacenamiento vectorial y la búsqueda: tú subes tus archivos y realizas consultas. Esta lección no es un rechazo de lo aprendido anteriormente, sino una pregunta honesta que debes hacerte antes de escribir ninguna línea de código: ¿cuál es el nivel de abstracción correcto para tu proyecto?

Todo comienza con un almacén vectorial, el contenedor que aloja tus documentos indexados. Lo creas, subes los archivos uno a uno y esperas a que finalice la indexación antes de consultar. Este bucle de espera no es cosmético: la indexación es asíncrona y una consulta lanzada demasiado pronto solo verá parte del corpus.

from openai import OpenAI

client = OpenAI()

# 1. Crear un almacén vectorial
vector_store = client.vector_stores.create(
    name="documentacion-producto"
)
print(f"Almacén vectorial creado: {vector_store.id}")

# 2. Subir archivos
files = ["guia_usuario.pdf", "faq.md", "registro_cambios.txt"]

for file in files:
    with open(file, "rb") as f:
        file_obj = client.files.create(file=f, purpose="assistants")
        client.vector_stores.files.create(
            vector_store_id=vector_store.id,
            file_id=file_obj.id
        )
        print(f"  Subido: {file}")

# Esperar a que finalice la indexación
import time
while True:
    vs = client.vector_stores.retrieve(vector_store.id)
    if vs.file_counts.completed == vs.file_counts.total:
        break
    time.sleep(2)
print("Indexación completada")

La consulta requiere entonces una única llamada: declaras la herramienta file_search con el ID del almacén y el modelo decide cuándo recuperar información. Lo interesante es leer las anotaciones, que contienen las citas de los archivos. Esto te permite mostrar las fuentes al usuario, un comportamiento que tuviste que implementar manualmente en la canalización personalizada.

# Consulta con Búsqueda de archivos
response = client.responses.create(
    model="gpt-5.6-terra",
    input="¿Cuáles son las nuevas funciones en la v3.2?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

# Acceder a las fuentes citadas
for annotation in response.output:
    if hasattr(annotation, "annotations"):
        for ann in annotation.annotations:
            if ann.type == "file_citation":
                print(f"  Fuente: archivo {ann.file_citation.file_id}")

Dos ajustes te permiten afinar el comportamiento sin salir de la herramienta gestionada. max_num_results establece el número de fragmentos recuperados y score_threshold filtra los resultados con baja puntuación, exactamente igual que el umbral de relevancia que aplicaste tras la reordenación (reranking).

response = client.responses.create(
    model="gpt-5.6-terra",
    input="¿Cómo configuro el SSO?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,         # Número de fragmentos a recuperar
        "ranking_options": {
            "ranker": "auto",           # Reordenador automático
            "score_threshold": 0.3      # Umbral de relevancia
        }
    }]
)

Lo que la Búsqueda de archivos te da y lo que te quita

El argumento decisivo a favor de la Búsqueda de archivos es la ausencia total de infraestructura: no hay que aprovisionar, hacer copias de seguridad ni monitorizar ninguna base de datos vectorial. La fragmentación la realiza OpenAI de forma optimizada, actualizar el corpus es tan sencillo como añadir o eliminar un archivo, las citas se generan automáticamente y los formatos comunes son compatibles de forma nativa: PDF, DOCX, MD, TXT, HTML, JSON, entre otros. Un equipo sin experiencia en infraestructura puede poner en línea una base de conocimientos en una tarde.

La contrapartida de esta comodidad es la pérdida de control sobre cada eslabón de la cadena. No eliges el tamaño del fragmento, por lo que el equilibrio entre precisión y contexto visto en la Lección 12 queda fuera de tu alcance. La búsqueda es puramente semántica: no hay búsqueda híbrida, por lo que las referencias a productos y los códigos de error exactos siguen siendo frágiles. Tampoco puedes integrar Cohere ni un codificador cruzado propio para la reordenación. A esto hay que sumar tres consideraciones estratégicas más: el almacenamiento vectorial se factura además de las llamadas a la API, tus datos residen en los servidores de OpenAI y la indexación cubre solo texto.

Una canalización personalizada invierte esta lista término por término. Dominas la fragmentación, la incrustación, la búsqueda, la reordenación y la creación de prompts; combinas búsqueda semántica y léxica; mezclas proveedores de modelos o mantienes todo en local si tus datos lo requieren; y, sobre todo, optimizas cada componente de forma independiente midiendo su efecto. Este control tiene un coste: código que escribir y mantener, una base de datos vectorial que administrar y experiencia necesaria. La fragmentación, la evaluación y la reordenación no se improvisan, que es precisamente lo que cubre este curso.

Matriz de decisión

CriterioBúsqueda de archivosRAG personalizado
Prototipado rápido✅ Ideal⚠️ Más lento
Control de fragmentación❌✅
Búsqueda híbrida❌✅
Datos sensibles⚠️ En OpenAI✅ En local (on-premise)
Coste a escala⚠️ Puede ser alto✅ Predecible
Mantenimiento✅ Cero⚠️ A gestionar
Rendimiento máximo⚠️ Bueno✅ Optimizable

Arquitectura híbrida: lo mejor de ambos mundos

La elección no tiene que ser definitiva, y no debería serlo. El enfoque más rentable es comenzar con la Búsqueda de archivos para validar que tu caso de uso es viable y cambiar a una canalización personalizada el día que te encuentres con un límite identificado. Encapsular ambas opciones detrás de un único método respond hace que este cambio sea indoloro para el resto de tu aplicación.

class HybridRAG:
    """Comienza con Búsqueda de archivos, cambia a personalizado si es necesario."""

    def __init__(self, mode: str = "file_search"):
        self.client = OpenAI()
        self.mode = mode

    def respond_file_search(self, question: str, vs_id: str) -> str:
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=question,
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id]
            }]
        )
        return response.output_text

    def respond_custom(self, question: str, pipeline) -> str:
        result = pipeline.respond(question)
        return result["response"]

    def respond(self, question: str, **kwargs) -> str:
        if self.mode == "file_search":
            return self.respond_file_search(
                question, kwargs["vs_id"]
            )
        else:
            return self.respond_custom(
                question, kwargs["pipeline"]
            )

Cuando la migración se vuelve necesaria, sigue un orden preciso:

  1. Exportar tus archivos desde el almacén vectorial
  2. Implementar la fragmentación adaptada a tu contenido
  3. Generar incrustaciones con text-embedding-3-large
  4. Indexar en una base de datos vectorial (Qdrant, Pinecone, etc.)
  5. Añadir reordenación y búsqueda híbrida
  6. Evaluar con tu conjunto de datos de prueba
  7. Comparar las métricas con la Búsqueda de archivos antes de cambiar

El último paso es el que se omite con más frecuencia, y es el único que justifica todo lo demás: sin una comparación cuantitativa, es posible que hayas sustituido un sistema gestionado decente por uno propio inferior, sumándole además la sobrecarga de mantenimiento.

Resumen

  • La Búsqueda de archivos es ideal para prototipar rápidamente un sistema RAG sin infraestructura
  • Una canalización RAG personalizada ofrece control total y rendimiento optimizable
  • Comienza con la Búsqueda de archivos y migra a personalizado cuando encuentres límites
  • Criterios de decisión: control, datos sensibles, coste y rendimiento