fn_registry/python/functions/embedding/embedding_store_usearch.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_usearch	function	py	infra	1.0.0	impure	def embedding_store_usearch(path: str, ids: list, embeddings: list, dim: int = 384) -> int	Crea indice USearch con embeddings y lo persiste a archivo. Busqueda sub-milisegundo.	embedding usearch vector store ann python pendiente-usar				false	error_go_core	usearch numpy	name desc path ruta donde guardar el archivo de índice USearch name desc ids lista de identificadores enteros para los embeddings name desc embeddings lista de vectores (list[list[float]]) a indexar name desc dim dimensión de los vectores (por defecto 384 para e5-small)	int: cantidad de vectores indexados	false			python/functions/embedding/usearch_store.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_usearch("docs.usearch", [0, 1], embs)
# n = 2

Notas

USearch usa HNSW (approximate nearest neighbors). Para 50k vectores dim=384: ~80 MB en disco, busqueda ~0.13ms/query (150x mas rapido que sqlite-vec). El tradeoff es que no soporta metadata nativa — usar junto con SQLite para metadata. Sobreescribe el archivo si ya existe.