Web Search

Web search integrado en Responses API

La API Responses de OpenAI incluye una herramienta integrada de búsqueda web que permite a los modelos acceder a información actualizada de internet durante la generación de respuestas. Esta funcionalidad elimina las limitaciones del conocimiento estático del modelo, proporcionando acceso a datos en tiempo real y contenido actualizado.

Activación de web search

Para habilitar la búsqueda web en tus solicitudes, debes incluir el parámetro **tools** con el tipo web_search_preview en la llamada a la API:

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-4.1",
    tools=[{"type": "web_search_preview"}],
    input="¿Cuáles son las últimas noticias sobre inteligencia artificial?"
)

print(response.output_text)

El modelo automáticamente decidirá cuándo es necesario realizar una búsqueda web basándose en el contexto de tu consulta. No necesitas especificar explícitamente cuándo buscar información.

Hay que tener en cuenta que modelos como gpt-4.1-nano no permiten usar esta herramienta integrada de búsqueda, y también hay un límite en cuanto a context window de 128k.

Casos de uso principales

La herramienta de búsqueda web resulta especialmente útil en varios escenarios profesionales:

Información actualizada y noticias:

response = client.responses.create(
    model="gpt-4.1",
    tools=[{"type": "web_search_preview"}],
    input="¿Qué cambios recientes ha habido en las regulaciones de IA en la Unión Europea?"
)

Datos de mercado y precios actuales:

response = client.responses.create(
    model="gpt-4.1",
    tools=[{"type": "web_search_preview"}],
    input="¿Cuál es el precio actual de Bitcoin y las principales criptomonedas?"
)

Eventos y fechas específicas:

response = client.responses.create(
    model="gpt-4.1",
    tools=[{"type": "web_search_preview"}],
    input="¿Cuándo es la próxima conferencia de desarrolladores de Google y qué temas se tratarán?"
)

Comportamiento automático del modelo

El modelo utiliza criterios internos para determinar cuándo realizar búsquedas web. Algunos factores que influyen en esta decisión incluyen:

• Consultas sobre eventos recientes o información que cambia frecuentemente
• Preguntas específicas sobre fechas posteriores al conocimiento de entrenamiento del modelo
• Solicitudes de datos actualizados como precios, estadísticas o noticias
• Referencias a contenido específico que requiere verificación actualizada

Es posible personalizar la búsqueda por ubicación:

Integración transparente

La búsqueda web se integra de forma transparente en el flujo de respuesta. El modelo combina la información obtenida de internet con su conocimiento base para proporcionar respuestas completas y contextualizadas:

response = client.responses.create(
    model="gpt-4.1",
    tools=[{"type": "web_search_preview"}],
    input="Compara las características del nuevo iPhone con los modelos Android más recientes"
)

# El modelo buscará especificaciones actualizadas y realizará la comparación
print(response.output_text)

Consideraciones de rendimiento y contexto

Ten en cuenta que las consultas que requieren búsqueda web pueden tomar más tiempo en procesarse que las respuestas basadas únicamente en el conocimiento del modelo. El tiempo adicional se debe a:

• La ejecución de búsquedas en internet
• El procesamiento y análisis de los resultados obtenidos
• La síntesis de información de múltiples fuentes

Para aplicaciones que requieren respuestas rápidas y no necesitan información actualizada, considera omitir la herramienta de búsqueda web para optimizar el tiempo de respuesta.

También es necesario considerar el contexto, ya que hará que consuma más o menos tokens:

Precios:

Alternativas

• Tavily: https://www.tavily.com/
• Sonar (Perplexity) https://docs.perplexity.ai/home
• NewsAPI https://newsapi.org/docs/get-started

Estas alternativas requieren crear cuenta y obtener API KEY para esos servicios.

En el caso de openai tiene integrado su propio web search por tanto es habitual usarlo.

Pero si no estamos usando openai o si queremos una búsqueda más avanzada es bastante habitual usar Tavily, que lo vemos en el curso de LangChain.