Novedades de principios de noviembre: precios más bajos, Terraform y RAG desde GitHub
Publicado el 9 de noviembre de 2026 por QDivZero Team6 min de lectura
Prueba QDivZero en acción
Crea tu cuentaDurante el fin de semana del 7 y 8 de noviembre hemos bajado mucho los precios y añadido dos herramientas para que puedas pasar de la idea a una aplicación con menos trabajo: un proveedor de Terraform para QDivZero y una GitHub Action que lleva tus documentos de Markdown a Retrieval.
Las novedades se complementan: cuesta menos llamar a los modelos, cuesta menos mantener tu base de conocimiento y puedes gestionar la infraestructura y la sincronización de documentos desde tu repositorio.
Bajamos los precios de los modelos hasta un 95,5 %
La API pública tiene nuevas tarifas de entrada y salida. Estas son algunas de las rebajas, en euros por millón de tokens:
Eso supone un 95,5 % menos en entrada de Qwen 3.8 27B, alrededor de un 93,7 % menos en entrada y salida de DeepSeek V4.1 Flash y la mitad de precio en GPT-6 Luna y GPT-6 Sol. También hemos reducido las tarifas de GLM 5.3 y DeepSeek V4.1 Flash 1017.
Por ejemplo, procesar 10 millones de tokens con DeepSeek V4.1 Flash, con un 90 % de entrada y un 10 % de salida, pasa de unos 6,34 € a 0,40 € mediante pago por uso. Las tarifas actuales se han contrastado el 9 de noviembre de 2026 con el catálogo público de endpoints; los importes y porcentajes están redondeados. Puedes consultar los precios vigentes y el desglose completo de la rebaja.
La mejora también llega a Unlimited Basic, que mantiene su cuota de 14,95 €/mes, IVA incluido: los dos Qwen siguen ilimitados, sujetos a fair use, y los 5.000 AI Credits mensuales permiten hasta 13,6 veces más tokens con DeepSeek V4.1 Flash. Los créditos de la suscripción y el saldo en euros se gestionan por separado; las tarifas de la tabla corresponden al pago por uso.
Retrieval baja a 0,20 €/GB al mes
También hemos reducido el coste de almacenar tu conocimiento en QDivZero Retrieval. La tarifa pasa de 0,001 €/GB por hora a 0,20 €/GB al mes, según el espacio utilizado y el tiempo de almacenamiento.
Para comparar ambas unidades, mantener 1 GB durante 30 días costaba 0,72 € con la tarifa anterior. La nueva referencia mensual es 0,20 € por GB, una reducción aproximada del 72,2 % frente a ese periodo de 30 días. Almacenar 10 GB durante un mes tiene ahora un coste de almacenamiento de 2 €.
La generación de embeddings se factura aparte según el modelo elegido. Si tu RAG genera respuestas con un modelo de chat, ese uso tiene su propio coste. Consulta las condiciones de Retrieval y los precios de modelos para calcular el conjunto de tu aplicación.
Tu infraestructura de QDivZero, ahora con Terraform
Ya está publicado el proveedor QDivZero en Terraform Registry. Puedes declarar instancias de inferencia, reglas de encendido, apagado o escalado por horario, bases vectoriales, grupos de destinos y Smart Balancers. Incluye además fuentes de datos para descubrir GPUs y endpoints de serving existentes.
Para un RAG, puedes empezar declarando la base de Retrieval. Este ejemplo usa la versión 0.0.2 del proveedor y un endpoint de embeddings que ya tengas disponible:
1terraform {
2 required_providers {
3 qdivzero = {
4 source = "QDivZero/qdivzero"
5 version = "0.0.2"
6 }
7 }
8}
9
10provider "qdivzero" {}
11
12variable "embedding_serving_name" {
13 type = string
14 description = "Nombre de tu endpoint de embeddings compatible"
15}
16
17resource "qdivzero_vector_database" "knowledge" {
18 name = "Company knowledge"
19 slug = "company-knowledge"
20 embedding_serving_name = var.embedding_serving_name
21}
22El proveedor lee tu clave desde la variable de entorno QDIVZERO_API_KEY. Configúrala en tu terminal o en los secretos de tu sistema de CI, ejecuta terraform init y asigna embedding_serving_name. Revisa los cambios con terraform plan antes de aplicarlos con terraform apply. La referencia de la base vectorial detalla los campos disponibles.
Así puedes revisar los cambios de infraestructura junto al código y repetir la configuración en otros entornos.
Del Markdown de tu repositorio a Retrieval con GitHub Actions
La nueva QDivZero Sync Retrieval sincroniza archivos .md registrados en Git con una base de Retrieval. Puedes mantener ahí tus políticas, documentación de producto, procesos internos o preguntas frecuentes.
Guarda tu clave de cuenta de QDivZero como secreto del repositorio con el nombre QDIVZERO_API_KEY. Necesitas una base de Retrieval creada y su endpoint de embeddings disponible al indexar. Después añade este archivo como .github/workflows/sync-retrieval.yml:
1name: Sync knowledge to QDivZero Retrieval
2
3on:
4 push:
5 branches: [main]
6 paths:
7 - "**/*.md"
8 workflow_dispatch:
9
10permissions:
11 contents: read
12
13concurrency:
14 group: qdivzero-retrieval-${{ github.repository }}
15 cancel-in-progress: false
16
17jobs:
18 sync:
19 runs-on: ubuntu-latest
20 steps:
21 - uses: actions/checkout@v7
22 - uses: QDivZero/qdivzero-gha-sync-retrieval@v2.0.0
23 with:
24 api-key: ${{ secrets.QDIVZERO_API_KEY }}
25 database-slug: company-knowledge
26Cambia main si utilizas otra rama principal y sustituye company-knowledge por el slug de tu base. Ejecuta el workflow una primera vez desde Actions → Run workflow. A partir de ahí, los pushes que cambien Markdown lanzan la sincronización y puedes comprobar los documentos indexados en el resumen de la ejecución.
La acción envía cada archivo como un documento y la API lo divide en fragmentos con solapamiento. Al reindexar el mismo documento, sus fragmentos anteriores se sustituyen. Puedes seleccionar contenido con paths y exclude, ajustar el tamaño de los fragmentos y activar la limpieza de documentos eliminados con prune cuando tu API admita esa operación. La limpieza está desactivada por defecto. Usa una base distinta por repositorio y rama para evitar colisiones entre documentos con la misma ruta.
Un RAG en un periquete
Con esas piezas, el flujo queda así:
- Crea la base de conocimiento, desde Terraform o desde la plataforma, y conéctala a un endpoint de embeddings compatible.
- Sincroniza tus documentos con la GitHub Action y comprueba que una búsqueda recupera los fragmentos esperados.
- Activa Retrieval como managed tool en tu modelo de chat: QDivZero ejecuta las búsquedas que solicita el modelo y le entrega los resultados para elaborar la respuesta.
Conecta el RAG con una managed tool de QDivZero
Con la base ya indexada, añade flexible_vector_database_search al array tools de una petición a /v1/chat/completions. El campo vector_database lleva el slug de la base, el mismo company-knowledge que hemos usado en Terraform y en la GitHub Action.
Define QDIVZERO_API_KEY en tu servidor o terminal con una clave de cuenta que tenga acceso a esa base y a inferencia. Sustituye my-model por el identificador de un modelo disponible que admita herramientas y prueba una pregunta sobre tus documentos:
1curl --fail-with-body \
2 --request POST "https://api.qdiv0.com/v1/chat/completions" \
3 -H "Authorization: Bearer $QDIVZERO_API_KEY" \
4 -H "Content-Type: application/json" \
5 --data '{
6 "model": "my-model",
7 "messages": [
8 {
9 "role": "system",
10 "content": "Consulta la base de conocimiento antes de responder sobre la empresa. Basa tu respuesta en los documentos recuperados y cita sus fuentes cuando estén disponibles. Si falta información, indícalo."
11 },
12 {
13 "role": "user",
14 "content": "¿Cuál es nuestra política de devoluciones?"
15 }
16 ],
17 "tools": [
18 {
19 "type": "flexible_vector_database_search",
20 "vector_database": "company-knowledge",
21 "allow_write": false,
22 "description": "Busca en la documentación de la empresa para responder preguntas sobre políticas, productos y procesos internos."
23 }
24 ]
25 }'
26QDivZero gestiona la ejecución de la herramienta dentro de la inferencia. Cuando el modelo solicita una búsqueda, la plataforma consulta Retrieval y devuelve los fragmentos al modelo para que continúe hasta elaborar la respuesta. Tu aplicación recibe la respuesta de Chat Completions y puede mostrar el texto de choices[0].message.content.
La description explica al modelo cuándo utilizar esa base. Con allow_write: false, la herramienta solo permite buscar; los documentos se mantienen mediante la GitHub Action. Comprueba el resultado con preguntas conocidas y revisa que las fuentes citadas respalden las respuestas. El endpoint de embeddings debe estar disponible también al buscar.
Tienes los campos y ejemplos de Chat Completions y Responses en la documentación de herramientas de inferencia. Para explorar también las peticiones de búsqueda e inferencia por separado, sigue la guía para crear un RAG sobre el conocimiento de tu empresa.
Menos coste por token, menos coste de almacenamiento y menos trabajo para mantener tus documentos conectados. Entra en QDivZero y prueba el flujo con una pregunta que tu equipo reciba cada semana.
