Grounding de un LLM con búsqueda web: fuentes dentro, citas fuera

¿Qué significa grounding?

Grounding significa vincular la respuesta de un modelo a evidencia proporcionada en el momento de la pregunta, en lugar de a lo que memorizó durante el entrenamiento. La evidencia pueden ser tus documentos, una base de datos o páginas web. Cuando proviene de la web, los proveedores lo llaman "grounding con búsqueda".

El grounding cumple dos funciones. Aporta hechos más recientes que la fecha de corte del modelo. También hace que las respuestas se puedan verificar, porque cada afirmación apunta a una fuente que una persona puede leer.

¿Qué prompt hace que un modelo cite sus fuentes?

Uno que exponga las reglas con claridad y dé al modelo una salida cuando las fuentes no alcanzan. La plantilla de abajo funciona en los principales modelos. Mantén las fuentes después de las reglas y la pregunta antes o después de ellas; ambos órdenes funcionan si eres consistente.

La última regla es la más importante. Las páginas pueden contener texto escrito para dirigir a un modelo. Indicar al modelo que trate las fuentes como datos reduce ese riesgo, aunque tu código nunca debería actuar según instrucciones encontradas en una fuente.

¿Por qué las respuestas con grounding siguen fallando?

El grounding reduce los errores, pero no los elimina. Los fallos habituales:

• Consulta mala. El modelo busca con términos equivocados, encuentra páginas débiles y responde a partir de ellas.
• Solo snippets. La frase decisiva estaba en la página, no en el snippet.
• Fuentes desactualizadas. Una página antigua supera a la actual en el ranking, y la respuesta describe el año pasado.
• Desviación de citas. El modelo adjunta una fuente a una afirmación que esa fuente nunca hizo.
• Instrucciones en las páginas. Una página le dice al modelo que haga otra cosa, y obedece.

Las soluciones se derivan de la lista: planifica las consultas, lee las páginas, filtra por fecha, comprueba las citas y trata las fuentes como no confiables.

¿Qué tan recientes deben ser las fuentes?

Tan recientes como la pregunta. Los precios, versiones, reglas y eventos necesitan páginas recientes; las definiciones y la historia, no. Configura time_range en day, week, month o year cuando la actualidad importe, y usa topic=news para eventos actuales.

Cada resultado lleva published_at cuando la página o el resultado de búsqueda indica una fecha. Coloca esa fecha junto a cada fuente en el prompt. Los modelos manejan bien "prefiere la fuente más reciente" cuando tienen las fechas delante.

¿Cuántas fuentes debería usar una respuesta con grounding?

De tres a seis para la mayoría de las preguntas. Una sola fuente no deja al modelo forma de detectar un error. Diez o más diluyen la atención y gastan tokens sin aportar mucho.

Con LLMWebSearch, read=3 devuelve tres páginas completas y mantiene la búsqueda en un crédito. Si esas tres no coinciden o se pierden algún punto, una segunda búsqueda específica suele ayudar más que leer las páginas 4 a 10 de la primera.

¿Debería usar el grounding integrado de un modelo en su lugar?

Depende de cuánto control necesites. El grounding integrado es un solo interruptor en la API del modelo. A fecha del 22 de octubre de 2026, el grounding de Gemini 3 con Google Search cuesta $14 por cada 1,000 búsquedas tras 5,000 gratis al mes en el plan de pago, y la herramienta de búsqueda web de OpenAI cuesta $10 por cada 1,000 llamadas más los tokens de contenido.

El grounding integrado viene con reglas. Google exige que las apps muestren sus Search Suggestions y prohíbe el entrenamiento con resultados con grounding. Microsoft exige que las referencias se muestren "en la forma exacta proporcionada". Una API de búsqueda independiente deja la presentación en tus manos y funciona con cualquier modelo. No entrenamos ningún modelo con tus consultas ni con lo que devuelve la API, y no añadimos ninguna regla propia contra almacenar resultados; los derechos de los sitios cuyas páginas lees siguen aplicándose.