Datasets, almacenamiento & archivos

Cada ejecución deja algo detrás: filas en un dataset, una tabla consultable por workflow, y archivos. Esta página es el mapa de dónde aterriza esa salida, cómo consultarla y buscarla, cuánto tiempo se conserva, y los topes que aplica el almacén de archivos.

datasets ▸ uno por fuente

Datasets

Un dataset es la salida acumulada de una fuente — un crawl o un workflow. La lista te dice de dónde viene cada uno y qué tan fresco está: cada entrada lleva un source_type (crawl o workflow), su run_count y su marca de tiempo last_updated.

tablas ▸ filas por ejecución

Tablas de workflow

Cada workflow expone además su salida como una tabla. Una ejecución que extrajo una lista aporta una fila por registro — una ejecución que raspó 40 productos añade 40 filas, no un solo bloque. Cada fila lleva su procedencia: run_id, run_at y status, y las entradas con las que se llamó la ejecución aparecen como columnas input.<name>, con los valores secretos censurados.

búsqueda ▸ sobre todo

Búsqueda

GET /api/v1/datasets/search ejecuta una consulta sobre todos los datasets que tienes. La misma llamada se escribe datasets.search en cada SDK:

const hits = await client.datasets.search("invoice 2291", { limit: 20 });

hits = client.datasets.search("invoice 2291", limit=20)

hits, err := client.Datasets.Search(ctx, "invoice 2291", nil)

let hits = agent.datasets().search("invoice 2291").await?;

curl "http://127.0.0.1:8131/v1/datasets/search?q=invoice+2291" \
  -H "Authorization: Bearer $WRIT_TOKEN"

La semántica es deliberadamente pequeña, y conviene conocerla con exactitud:

• Los términos separados por espacios se combinan con Y; cada término coincide por prefijo, sin distinguir mayúsculas.
• Los operadores de frase y booleanos no están soportados a propósito; una consulta acepta como máximo 8 términos.
• Los candidatos se limitan a las 500 coincidencias más recientes — la respuesta marca truncated cuando se alcanza el tope.
• Los fragmentos muestran 80 caracteres de contexto alrededor de la coincidencia; limit va de 1 a 200, 50 por defecto.

export ▸ cuatro formatos

Formatos de exportación

Tablas y datasets se renderizan en cuatro formatos:

retención ▸ cuánto tiempo

Retención

Estas son las ventanas por defecto.

archivos ▸ el lado de los bytes

Archivos

Los archivos viven en un almacenamiento de objetos por tenant, direccionados por un handle estable file_…, y se sirven por la Files API en /api/v1/files (subida, listado, lectura, descarga, borrado). Una descarga es un 302 a un enlace firmado, de un solo objeto, que expira en 600 s — el host de almacenamiento y sus credenciales nunca quedan expuestos.

• Tope por archivo: 100 MB — se aplica a cada archivo, sea cual sea su origen.
• Los archivos producidos por workflow_output, ai_session o streaming son efímeros: TTL de 24 h, salvo que los promuevas a la biblioteca.
• Los tipos de contenido ejecutables se rechazan por defecto.
• El control de propiedad responde 404 para todo lo que no es tuyo — nunca un 403 que delataría que existe.

cuota ▸ por plan

Cuota de almacenamiento

Cada plan lleva una cuota de almacenamiento de archivos para la organización:

byo ▸ tu propio bucket

Trae tu propio almacenamiento

Por defecto los bytes residen en el almacén gestionado de Writ. Puedes en cambio apuntar Writ a un bucket compatible con S3 que tú controlas — s3, minio, r2 o spaces — en Settings → Storage. La clave secreta es de solo escritura (cifrada en reposo, nunca devuelta), una prueba de conexión del lado del servidor sondea el bucket antes de activarlo, y cambiar el proveedor por defecto nunca rompe la descarga de los archivos ya guardados.

Qué sigue

• Workflows: de dónde salen las filas.
• Referencia API: formas de petición y respuesta, códigos de estado.
• Automatizaciones & webhooks: empuja la salida hacia delante en vez de consultarla.
• Facturación & uso: qué significa un 402 de créditos y las tres salidas.