Update documentation and clients for v1.1.0

Documentation updates:
- Fix v0.1.0 → v1.1.0 version numbers in en, ru, fa, zh docs
- Add missing Window Functions, Multi-Tenant ERP, Supported Keywords sections
  to ru, fa, zh baraql.md (~105 lines each)
- Expand Turkish and Arabic baraql.md (110 → 268 lines)
- Expand Turkish and Arabic installation.md (62 → 307 lines)
- Add new Bulgarian documentation files (18 new files)

Client updates:
- Python: Full async/await rewrite with asyncio, request queueing
- Rust: Full async/await rewrite with tokio, async examples
- Nim: Update README to v1.1.0
- All clients now support async patterns consistently

docs/bg/vector.md

@@ -1,8 +1,89 @@
-# Vector Търсене
+# Vector Search Engine
 
-HNSW и IVF-PQ индекси за търсене на прилика.
+Нативни HNSW и IVF-PQ индекси за търсене на прилика с пълна SQL интеграция.
 
-## Употреба
+## SQL Употреба
+
+### Създаване на Векторни Колони
+
+```sql
+CREATE TABLE items (
+  id INT PRIMARY KEY,
+  embedding VECTOR(768)
+);
+```
+
+Типът `VECTOR(n)` съхранява float32 масиви с фиксирана размерност `n`.
+
+### Вмъкване на Вектори
+
+```sql
+INSERT INTO items (id, embedding) VALUES (1, '[0.1, 0.2, 0.3, ...]');
+```
+
+### Функции за Векторно Разстояние
+
+```sql
+-- Косинусово разстояние (0 = идентични, 1 = ортогонални)
+SELECT id, cosine_distance(embedding, '[0.1, 0.2, 0.3]') AS dist
+FROM items;
+
+-- Евклидово / L2 разстояние
+SELECT id, euclidean_distance(embedding, '[0.1, 0.2, 0.3]') AS dist
+FROM items;
+
+-- L2 разстояние с <-> оператор
+SELECT id, embedding <-> '[0.1, 0.2, 0.3]' AS dist
+FROM items;
+
+-- Скаларно произведение (отрицателно dot product за минимизация)
+SELECT id, inner_product(embedding, '[0.1, 0.2, 0.3]') AS dist
+FROM items;
+
+-- Манхатън / L1 разстояние
+SELECT id, l1_distance(embedding, '[0.1, 0.2, 0.3]') AS dist
+FROM items;
+```
+
+### Търсене на Най-близки Съседи
+
+```sql
+-- Топ-10 най-близки съседи по косинусово разстояние
+SELECT id FROM items
+ORDER BY cosine_distance(embedding, '[0.1, 0.2, 0.3]') ASC
+LIMIT 10;
+
+-- Топ-5 най-близки съседи по евклидово разстояние
+SELECT id FROM items
+ORDER BY embedding <-> '[0.1, 0.2, 0.3]'
+LIMIT 5;
+```
+
+### Векторни Индекси
+
+```sql
+-- Създаване на HNSW индекс за приблизително търсене на най-близки съседи
+CREATE INDEX idx_items_vec ON items(embedding) USING hnsw;
+
+-- Индексът се поддържа автоматично при INSERT и UPDATE
+```
+
+Поддържани индекс методи:
+- `USING hnsw` — Hierarchical Navigable Small World (по подразбиране: косинусова метрика)
+- `USING ivfpq` — Inverted File с Product Quantization
+
+### Валидация на Размерност
+
+BaraDB валидира размерностите на векторите при вмъкване:
+
+```sql
+-- Това ще даде грешка: очаквани 768 размерности, но подадени 3
+INSERT INTO items (id, embedding) VALUES (2, '[1.0, 2.0, 3.0]');
+```
+
+## Нативно Nim API
+
+За вградена или високопроизводителна употреба използвайте нативното Nim API директно:
 
 ```nim
 import barabadb/vector/engine
@@ -10,32 +91,67 @@ import barabadb/vector/engine
 var idx = newHNSWIndex(dimensions = 128)
 idx.insert(1, @[1.0'f32, 0.0'f32, ...], {"category": "A"}.toTable)
 
+# Търсене
 let results = idx.search(queryVector, k = 10)
+
+# С филтриране по метаданни
+let filtered = idx.searchWithFilter(queryVector, k = 10,
+  filter = proc(meta: Table[string, string]): bool =
+    return meta.getOrDefault("category") == "A")
 ```
 
-## Индекс Типове
+## Типове Индекси
 
 ### HNSW
 
-Иерархичен навигируем малък свят:
+Иерархичен навигируем малък свят за приблизително търсене на най-близки съседи.
 
 ```nim
-var hnsw = newHNSWIndex(dimensions = 128, m = 16)
+var hnsw = newHNSWIndex(
+  dimensions = 128,
+  m = 16,                # връзки на слой
+  efConstruction = 200,  # ширина на търсене при изграждане
+  efSearch = 100         # ширина на търсене при заявка
+)
 ```
 
 ### IVF-PQ
 
-Инвертиран файл с продуктово квантуване:
+Inverted File Index с продуктово квантуване за компресия.
 
 ```nim
-var ivfpq = newIVFPQIndex(dimensions = 128, numCentroids = 256)
+var ivfpq = newIVFPQIndex(
+  dimensions = 128,
+  numCentroids = 256,
+  subQuantizers = 8
+)
 ```
 
 ## Метрики за Разстояние
 
-| Метрика | Описание |
-|---------|----------|
-| `cosine` | Косинусова прилика |
-| `euclidean` | L2 разстояние |
-| `dotproduct` | Скаларно произведение |
-| `manhattan` | L1 разстояние |
+| Метрика | SQL Функция | Описание |
+|---------|-------------|----------|
+| `cosine` | `cosine_distance(a, b)` | Косинусова dissimilarity (1 - similarity) |
+| `euclidean` | `euclidean_distance(a, b)` / `<->` | L2 разстояние |
+| `dotproduct` | `inner_product(a, b)` | Отрицателно скаларно произведение |
+| `manhattan` | `l1_distance(a, b)` | L1 разстояние |
+
+## Квантуване
+
+```nim
+import barabadb/vector/quant
+
+# Скаларно квантуване
+let scalar = scalarQuantize(data, bits = 8)
+
+# Продуктово квантуване
+let pq = productQuantize(data, subVectors = 8, bits = 8)
+```
+
+## SIMD Ускорение
+
+```nim
+import barabadb/vector/simd
+
+let dist = simdCosineDistance(vec1, vec2)
+```