---
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, pendiente-usar]
uses_functions: [embedding_load_model_py_infra]
uses_types: []
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: ""
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.