docs: params/output semántico en 506 funciones para composabilidad

Añade campos params y output al frontmatter YAML de las 506 funciones del registry.
Cada parámetro tiene descripción semántica (qué representa, unidades, rango típico)
y cada función describe qué produce su output. Permite a agentes razonar sobre
cadenas de composición (ej: prices → log_return → sharpe_ratio) sin leer código.

python/functions/embedding/embedding_encode.md

@@ -14,6 +14,14 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [sentence_transformers]
+params:
+  - name: model
+    desc: "instancia SentenceTransformer cargada con embedding_load_model"
+  - name: texts
+    desc: "lista de strings a codificar como embeddings"
+  - name: mode
+    desc: "contexto semántico: 'document' para indexación, 'query' para búsqueda (aplica prefijos e5)"
+output: "list[list[float]]: embeddings normalizados (L2=1), dimensión 384 para e5-small"
 tested: false
 tests: []
 test_file_path: ""

python/functions/embedding/embedding_load_model.md

@@ -14,6 +14,10 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [sentence_transformers]
+params:
+  - name: path
+    desc: "ruta al directorio donde está guardado el modelo (ej: .local/models/e5-small)"
+output: "SentenceTransformer: instancia lista para embedding_encode"
 tested: false
 tests: []
 test_file_path: ""

python/functions/embedding/embedding_save_model.md

@@ -14,6 +14,12 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [sentence_transformers]
+params:
+  - name: model_id
+    desc: "identificador de modelo en HuggingFace (ej: intfloat/multilingual-e5-small)"
+  - name: path
+    desc: "ruta local donde guardar el modelo descargado"
+output: "string: ruta absoluta donde se guardó el modelo"
 tested: false
 tests: []
 test_file_path: ""

python/functions/embedding/embedding_search_sqlvec.md

@@ -14,6 +14,16 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [sqlite3, sqlite_vec, numpy]
+params:
+  - name: db_path
+    desc: "ruta a la base de datos SQLite con tabla virtual sqlite-vec"
+  - name: table
+    desc: "nombre de la tabla virtual donde buscar vectores"
+  - name: query_embedding
+    desc: "vector de embedding (list[float]) a usar como query"
+  - name: k
+    desc: "cantidad de vecinos más cercanos a retornar"
+output: "list[dict]: resultados ordenados con 'rowid' e 'distance' (coseno, menor=más similar)"
 tested: false
 tests: []
 test_file_path: ""

python/functions/embedding/embedding_search_usearch.md

@@ -14,6 +14,16 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [usearch, numpy]
+params:
+  - name: path
+    desc: "ruta al archivo de índice USearch persistido"
+  - name: query_embedding
+    desc: "vector de embedding (list[float]) a usar como query"
+  - name: k
+    desc: "cantidad de vecinos aproximados a retornar"
+  - name: dim
+    desc: "dimensión del espacio de embeddings (por defecto 384 para e5-small)"
+output: "list[dict]: resultados con 'key' y 'distance' (inner product, mayor=más similar)"
 tested: false
 tests: []
 test_file_path: ""

python/functions/embedding/embedding_store_sqlvec.md

@@ -14,6 +14,18 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [sqlite3, sqlite_vec, numpy]
+params:
+  - name: db_path
+    desc: "ruta a la base de datos SQLite (se crea si no existe)"
+  - name: table
+    desc: "nombre de la tabla virtual sqlite-vec a crear"
+  - name: ids
+    desc: "lista de identificadores enteros para los embeddings"
+  - name: embeddings
+    desc: "lista de vectores (list[list[float]]) a almacenar"
+  - name: dim
+    desc: "dimensión de los vectores (por defecto 384 para e5-small)"
+output: "int: cantidad de vectores insertados"
 tested: false
 tests: []
 test_file_path: ""

python/functions/embedding/embedding_store_usearch.md

@@ -14,6 +14,16 @@ returns: []
 returns_optional: false
 error_type: "error_go_core"
 imports: [usearch, numpy]
+params:
+  - name: path
+    desc: "ruta donde guardar el archivo de índice USearch"
+  - name: ids
+    desc: "lista de identificadores enteros para los embeddings"
+  - name: embeddings
+    desc: "lista de vectores (list[list[float]]) a indexar"
+  - name: dim
+    desc: "dimensión de los vectores (por defecto 384 para e5-small)"
+output: "int: cantidad de vectores indexados"
 tested: false
 tests: []
 test_file_path: ""