---
name: embedding_search_usearch
kind: function
lang: py
domain: infra
version: "1.0.0"
purity: impure
signature: "def embedding_search_usearch(path: str, query_embedding: list, k: int = 10, dim: int = 384) -> list"
description: "Busca los k vecinos mas cercanos en indice USearch persistido. Busqueda sub-milisegundo."
tags: [embedding, usearch, vector, search, retrieval, ann, python, pendiente-usar]
uses_functions: []
uses_types: []
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: ""
file_path: "python/functions/embedding/usearch_store.py"
---

## Ejemplo

```python
model = embedding_load_model(".local/models/e5-small")
q_emb = embedding_encode(model, ["¿Que es machine learning?"], mode="query")[0]

results = embedding_search_usearch("docs.usearch", q_emb, k=5)
# [{"key": 0, "distance": 0.82}, {"key": 1, "distance": 0.65}, ...]
```

## Notas

Carga el indice completo a RAM antes de buscar. Cold start ~190ms para 50k vectores.
Busqueda aproximada (HNSW) — puede no encontrar el vecino exacto pero es 150x mas rapido que brute-force.
Distance es inner product (mayor = mas similar, al reves que sqlite-vec).