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/embedding_encode.md

@@ -0,0 +1,40 @@
+---
+name: embedding_encode
+kind: function
+lang: py
+domain: infra
+version: "1.0.0"
+purity: impure
+signature: "def embedding_encode(model: SentenceTransformer, texts: list, mode: str = 'document') -> list"
+description: "Genera embeddings normalizados para textos. Aplica prefijos e5 automaticamente segun mode (document/query)."
+tags: [embedding, encode, e5, multilingual, python]
+uses_functions: [embedding_load_model_py_infra]
+uses_types: []
+returns: []
+returns_optional: false
+error_type: "error_go_core"
+imports: [sentence_transformers]
+tested: false
+tests: []
+test_file_path: ""
+file_path: "python/functions/embedding/model.py"
+---
+
+## Ejemplo
+
+```python
+model = embedding_load_model(".local/models/e5-small")
+
+# Indexar documentos
+doc_embs = embedding_encode(model, ["La IA transforma la industria", "Python es versatil"], mode="document")
+
+# Buscar
+query_embs = embedding_encode(model, ["¿Que es machine learning?"], mode="query")
+```
+
+## Notas
+
+mode="document" agrega prefijo "passage: ", mode="query" agrega "query: ".
+Estos prefijos son requeridos por modelos e5 para retrieval optimo.
+Los embeddings retornados son float32 normalizados (norma L2 = 1).
+Para e5-small la dimension es 384. Throughput ~1900 docs/s en CPU.