feat: módulo embedding — encode, model CRUD, stores sqlvec y usearch

Funciones Python para embeddings: carga/guardado de modelos, encoding de
texto, y almacenamiento/búsqueda vectorial con sqlite-vec y usearch.

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

python/functions/embedding/usearch_store.py

@@ -0,0 +1,51 @@
+"""Vector storage and retrieval with USearch."""
+
+import numpy as np
+from usearch.index import Index
+
+
+def embedding_store_usearch(path: str, ids: list, embeddings: list, dim: int = 384) -> int:
+    """Crea o sobreescribe un indice USearch con los embeddings dados.
+
+    Args:
+        path: Path del archivo .usearch para persistir el indice.
+        ids: Lista de IDs (int) para cada embedding.
+        embeddings: Lista de arrays numpy float32.
+        dim: Dimension de los embeddings (default 384 para e5-small).
+
+    Returns:
+        Numero de embeddings insertados.
+
+    Raises:
+        OSError: Si no se puede escribir en el path.
+    """
+    index = Index(ndim=dim, metric="ip", dtype="f32")
+    keys = np.array(ids, dtype=np.uint64)
+    vecs = np.array(embeddings, dtype=np.float32)
+    index.add(keys, vecs)
+    index.save(path)
+    return len(ids)
+
+
+def embedding_search_usearch(path: str, query_embedding: list, k: int = 10, dim: int = 384) -> list:
+    """Busca los k vecinos mas cercanos en un indice USearch persistido.
+
+    Args:
+        path: Path del archivo .usearch.
+        query_embedding: Array numpy float32 del query.
+        k: Numero de resultados a retornar.
+        dim: Dimension de los embeddings.
+
+    Returns:
+        Lista de dicts con 'key' y 'distance' ordenados por cercania.
+
+    Raises:
+        OSError: Si el archivo no existe.
+    """
+    index = Index(ndim=dim, metric="ip", dtype="f32")
+    index.load(path)
+    q = np.asarray(query_embedding, dtype=np.float32)
+    results = index.search(q, k)
+    keys = np.atleast_1d(results.keys)
+    distances = np.atleast_1d(results.distances)
+    return [{"key": int(keys[i]), "distance": float(distances[i])} for i in range(len(keys))]