fn_registry/python/functions/embedding/embedding_store_sqlvec.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
embedding_store_sqlvec	function	py	infra	1.0.0	impure	def embedding_store_sqlvec(db_path: str, table: str, ids: list, embeddings: list, dim: int = 384) -> int	Inserta embeddings en tabla sqlite-vec. Crea la tabla virtual si no existe. Insercion en batches.	embedding sqlite vector store sqlite-vec python pendiente-usar				false	error_go_core	sqlite3 sqlite_vec numpy	name desc db_path ruta a la base de datos SQLite (se crea si no existe) name desc table nombre de la tabla virtual sqlite-vec a crear name desc ids lista de identificadores enteros para los embeddings name desc embeddings lista de vectores (list[list[float]]) a almacenar name desc dim dimensión de los vectores (por defecto 384 para e5-small)	int: cantidad de vectores insertados	false			python/functions/embedding/sqlvec.py

Ejemplo

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.