---
name: embedding_store_sqlvec
kind: function
lang: py
domain: infra
version: "1.0.0"
purity: impure
signature: "def embedding_store_sqlvec(db_path: str, table: str, ids: list, embeddings: list, dim: int = 384) -> int"
description: "Inserta embeddings en tabla sqlite-vec. Crea la tabla virtual si no existe. Insercion en batches."
tags: [embedding, sqlite, vector, store, sqlite-vec, python]
uses_functions: []
uses_types: []
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: ""
file_path: "python/functions/embedding/sqlvec.py"
---

## Ejemplo

```python
model = embedding_load_model(".local/models/e5-small")
docs = ["La IA transforma la industria", "Python es versatil"]
embs = embedding_encode(model, docs, mode="document")

n = embedding_store_sqlvec("vectors.db", "doc_embeddings", [0, 1], embs)
# n = 2
```

## Notas

Usa sqlite-vec (extension pura C para SQLite). Los vectores se almacenan como blobs float32.
Compatible con cualquier SQLite — se puede usar el mismo archivo para metadata con tablas normales.
Insercion en batches de 500 para evitar limits de SQLite.
Para 50k vectores dim=384: ~75 MB en disco, busqueda ~19ms/query.