我们很高兴宣布发布InterSystems Supply Chain Orchestrator™ 社区版（SCO CE）。此免费版本使社区成员能够探索、评估、学习并使用 SCO 进行开发。
SCO 社区版 (CE) 提供了 SCO 的全部功能，但与完全授权的 SCO 部署相比，存在某些技术限制。每个版本都包含一个内置许可证，自发布之日起有效期为一年。我们计划在未来每次发布 SCO 时，同步提供 CE 版本。
获取 SCO 社区版
SCO CE 作为容器形式发布在InterSystems 容器存储库中。请访问该存储库查找并下载 SCO 社区版。
有关 CE 限制的完整详情，请参阅SCO 社区版文档。
从社区获取帮助
SCO CE 用户无法获得标准的产品支持，因此我们建议您通过开发者社区提出问题并寻求社区帮助。
立即开始使用 SCO CE 探索 Supply Chain Orchestrator！
LLM 可以建议把某个源字段映射到某个目标字段。这很有用，但还不能称为完成了一次数据集成。
接下来，还需要建立连接、理解目标约束、选择并连接组件、启动管道，以及检查数据到底有没有正确到达目标。
Quickstart 介绍了运行在 InterSystems IRIS for Health 上的 DataPipelineDemo。这一篇往前走一步：解释集成需求与平台能力，如何共同变成一条可运行、可验证的数据管道。
核心并不是“让 AI 写出所有东西”，而是：
让 AI 在明确边界内做集成决策，再让这些决策能够被执行、被观察、被验证。
整体链路可以概括为：
图 1：三个阶段；虚线反馈表示按适用路径做限定范围的修复，然后重新验证。
但这条链路包含三个不同的阶段。
设计与生成阶段，产出接口模型、字段映射、组件拓扑和 Production 定义。AI 参与语义分析、转换映射与管道规划。
运行阶段，源数据通过业务服务、转换流程和目标操作流转。已有组件执行确认后的转换指令，正常数据链路不会为每一行数据或每一条 FHIR 资源重新调用 LLM 做语义判断。
验证与反馈阶段，检查生成配置与运行证据；发现问题后，按适用路径修复映射或管道，再次验证。
这一区分很重要：AI 参与决策，IRIS 承担运行。例如，消息处理过程中查询术语映射，查的是术语服务器，并不是每次都让 LLM 重新判码。
大家好，
“使用 InterSystems 嵌入式分析”在线课堂课程尚有名额！
详情
本课程适合人群：
您将学到：
请在线注册本课程。
一句话速览：登记数据源、选择目标，再让 LLM 设计数据集成流程。一条命令启动演示环境，再运行一条命令，就能端到端复现完整的数据管道。
git clone --recurse-submodules https://github.com/zlnick/DataPipelineDemo.git
cd DataPipelineDemo
bash tools/setup.sh && python3 tools/e2e_ui_flow.py
↑ 一次干净克隆环境中的实测：、验证通过，数据已写入目标 FHIR 仓库。
这是一个运行在 InterSystems IRIS for Health 上的完整演示：由数据源出发，自动生成并运行互操作性数据管道，其中的关键决策由 AI 完成。
/en
一套 IRIS 实例同时承担多个角色：FHIR 服务器（包含相互独立的源与目标两个仓库）、互操作性引擎（Production）、SQL 数据库，以及平台自身的元数据存储。
我们很高兴向您介绍全新的 InterSystems 软件分发平台，该平台将于10 月 8 日起在 downloads.intersystems.com 上线。
新网站对查找和下载 InterSystems 软件的体验进行了重新设计，让您能够更轻松地找到所需的产品、版本和组件。
全新体验包括：
在过渡期间，现有的 WRC 软件分发网站将继续提供服务，以便客户有时间熟悉新体验，并将现有的自动化流程迁移到新平台和 API 上。
自 10 月 8 日起，请访问 downloads.intersystems.com 探索全新的软件分发平台。
我们期待为您带来一种更简便、更现代的 InterSystems 软件访问方式。
在基于 InterSystems IRIS 数据平台开发解决方案的这些年里，我已实现了数百个与 REST API 的集成。而 IRIS 端涉及的 API 数量也不在少数！但在本文中，我想专门谈谈 REST 客户端。更确切地说，我想分享我尝试创建一个适用于所有 API 的通用客户端的经历。
将人工智能代理连接到数据库固然有用，但这立刻引发了另一个问题：应该允许该代理读取哪些内容？
在这个项目中，我希望在应用程序代码中做出这一决定。代理可以使用几个过滤条件搜索患者记录，检查一个已批准的全局变量，并检索有关 IRIS 命名空间的基本信息。它不能提交自己的 SQL 查询，也不能选择其他命名空间。
我为 InterSystems社区奖励计划“从构想到应用”（第二轮）开发了MCP 数据暴露工具包，以响应MCP 数据暴露工具包的构想（DPI-I-985）。 我的贡献是一个可运行的 ObjectScript 示例，涵盖了 SQL、全局变量和命名空间监控。
源代码已在GitHub 上发布。本文将演示该示例的运行过程，并深入解析其背后的代码。
我选择了合成医疗记录，因为它们既提供了有用的搜索条件，又避免了将真实的患者信息存储在存储库中。该项目从Kaggle 上由 dnation 发布的“合成医疗患者记录数据集”中导入了 500 条记录。持久化类 MCPData.Data.Patient 用于存储这些记录。
简而言之：
omniEmbedding 是一个 100% 基于 ObjectScript 的网关，它将来自 10 家不同提供商（Ollama、OpenAI、Azure、Cohere、Gemini、Mistral、Voyage、 Jina、Bedrock、VertexAI）的嵌入数据，将其集中管理于 InterSystems IRIS 平台内，因此您既不会被锁定在单一提供商，也不会因在 RAG 管道中混合使用不兼容的向量而陷入困境。
我的想法并不是要锻造“至尊戒”——这事儿就留给托尔金和索伦去搞吧，😅。
事实上，原生类 %Embedding 和 %Embedding.OpenAi 让任何在 InterSystems IRIS 上进行向量搜索的人都轻松得不可思议。
不过，去年我不得不整合一个必须完全依赖 Azure OpenAI 平台的项目。情况变得有些复杂。我不得不对解决方案进行定制（在此要特别感谢 @Alex Woodhead在社区帖子中提供的关键帮助）。
现向大家介绍omniEmbedding：一个精简的、100% 基于 ObjectScript 的网关，用于在 10 家不同的 LLM 提供商之间路由嵌入向量。
该项目的真正差异化优势在于其背后的工程实践。
在 4.0.0 发布一周后，SQL DATA LENS 4.01 于 2026 年 8 月 30 日正式发布——这是一次重大版本更新，而非补丁更新。 其78项变更中的大部分都围绕一个主题：如何建立、保护和标记与IRIS或Caché的连接。本文将带您了解对于日常使用InterSystems数据库的用户而言最重要的部分，首先从我被问及最多的那个问题开始。
如果您曾使用 TLS 保护过 IRIS 超级服务器，然后尝试让 Java 客户端与其通信，您一定深有体会。在客户端，您需要
SSLDefs.ini- 风格的属性文件），keytool 构建的信任库，其中包含服务器或 CA 证书，社区中有关此主题的优秀文章不少——Mauro Aguirre 针对 ODBC/JDBC 客户端的分步指南以及Eduard Lebedyuk 的 Tableau 操作指南都值得一读。但这些文章之所以需要存在，且篇幅长达 6 到 13 分钟这一事实，本身就说明了一些问题。
今天外面天气真好，南半球，尤其是悉尼，终于迎来了春天， 但上周我和同事们在黑山度过了愉快的时光，庆祝Banksia成立五周年，回来后我严重时差反应，再加上还在对抗感冒症状，所以现在还是静静地坐在电脑前比较好，而不是去外面寻找新的疯狂冒险。 还有什么比浏览社区帖子更能让这段时间物有所值呢？
其中一篇特别引起了我的注意，那是@Nicholai.Mitchko关于大语言模型（LLM）代理编码基准测试的精彩研究与文章——如果你还没读过，不妨先去读一读。 研究结果基本印证了我的经验感受——在IRIS编码方面，Claude系列模型表现大同小异；正因如此，如今我进行编码任务时几乎只使用Sonnet，而OpenAI的模型虽然稍逊一筹，但依然表现不俗。 不过有一个意外发现：DeepSeek V4 Flash模型，其排名几乎与Claude持平。这激发了我尝试DeepSeek的兴趣。正如我的同事@Aleksandr Kolesov在他最近的文章中所指出的，在大型语言模型（LLM）领域，即使全力以赴，也只能勉强维持现状。
Nicholai 使用的是自托管的 DeepSeek，慷慨地将其成本标为 0 美元，但我的这台“强悍”的 MacBook Air 在性能方面肯定表现不佳，所以今天我们将使用托管版本。
docker login -u="your-username" -p="your-token" containers.intersystems.com
然后拉取镜像:
docker pull containers.intersystems.com/intersystems/irishealth:2025.3
我一直以项目经理的身份参与 IRIS Relay，目前仍担任这一角色。我的工作是跟进项目的开发，寻找有助于提升成果质量的文档、资源和工具。这种参与贯穿整个项目：包括跟进各项功能及其验证，以及持续改进的机会。
在 Relay 中，我认为最有用的是班次之间的连续性。接手运维的人需要了解之前的背景、已共享的信息以及所做的变更，还需要确认这些变更是否确实已经应用。
对我来说，这种确认至关重要。记录变更与核实其结果是工作中相辅相成的两个部分：二者结合，有助于在责任从一个团队转交到另一个团队时减少风险和问题。这就是我在项目中追求的一致性，用以支持交接班期间的运维稳定。
在 Relay 中，这些背景信息可以导出为交接报告。不过，会话历史并不是永久的审计追踪；要保留这些背景信息，就需要保存导出的文件。这一区别界定了该工具目前所能提供的能力范围。
功能验证、安全性、一致性和持续改进是我最看重的方面。我的目标是让开发工作在项目演进过程中始终保持这些标准。
我接下来希望改进的是性能。我打算跟进实际使用需求，引导持续改进，在保持我认为对 Relay 至关重要的一致性的同时，力求取得尽可能好的结果。
ChatGPT刚推出时，开发者们很快就开始将其用于日常任务：调试代码片段、编写小型辅助程序，或是理解陌生的代码。其中大部分工作都需要大量复制粘贴。
像 Claude 和 Codex 这样的编码代理改变了这一现状。它们能够直接处理代码库，并对多个文件进行修改。但对于 ObjectScript 开发而言，“经典”的代理式流程并不总是最合适的选择。在 本文中 ，我们将讲述我们如何将 AI 代理整合到自身工作流程中的故事。
过去，我们为客户维护的某个系统，其开发工作直接在共享的服务器端开发系统上进行。每位开发人员都在那里实现并测试自己的更改。随着团队规模扩大，多人开始同时处理该系统，这种工作流程变得越来越不切实际。
AI 编码代理的引入让这些局限性变得更加明显。Claude 和 Codex 等工具的工作原理是直接检查和修改源代码。相关文档和指南指出，如果它们能够编译代码并运行自己的测试，效果会更好。但在 IRIS 中通过 VS Code 进行服务器端开发时，这一实验在第一步就失败了。 由于文件并未实际存在于机器上，代理难以直接访问。因此，将开发迁移到本地、受版本控制的仓库中成为自然而然的一步：这不仅改善了协作，还为开发人员和代理都提供了合适的工作空间。
但这仍留下了一个问题：如何让代理能够编译代码并运行测试。
各位开发者，大家好！
我们经常收到关于“谁有资格参加 InterSystems 编程竞赛”的提问。规则很简单。
只要您属于以下任一群体，即可参与投票：
时间是2026年8月，巴西的大选竞选活动正在进行中。 10月4日，158,745,463名符合条件的选民将投票选举总统、各州州长、参议员、联邦众议员以及各州或联邦区众议员。总统和州长选举的第二轮投票（如有）定于10月25日举行。上述日期和选民人数数据均来自巴西最高选举法院。
在这个时间节点上，随着数百万民众试图了解候选人背景、竞选主张及公共履历，公共信息已成为当务之急。巴西虽公开了大量选举和立法数据，但这些记录仍分散在各类文件、API、标识符及政府门户网站中。
正是在这样的背景下，我们开发了“TSE公共数据RAG探索器”。
一个看似简单的问题，可能需要有人先找到一个API，然后进行分页操作，下载ZIP压缩包，解码Latin-1格式的CSV文件，从PDF中提取文本，理解两个机构的标识符，在它们之间建立个人关联，最后阅读冗长的文档。
主要障碍在于数据访问：定位、关联并解读通过不同来源发布的记录。
该项目始于一个问题：
在选举年，我们如何将关于候选人和当选官员的海量公共数据转化为任何公民都能探索的信息？
该解决方案在孤立的过滤器以及语言模型的内部记忆之外，增添了一层基于证据的研究层。在敏感领域，可检索的证据是每个流畅回答的必要条件。
TSE 公共数据 RAG 探索器与其说是一个选举聊天机器人，不如说是一个公共数据智能平台。
为 InterSystems AI Hub 代理和外部 MCP 客户端构建一套受管控的 FHIR 工具集——以及那个让每次拒绝都拥有完美借口的日志记录漏洞。
大家好，社区的朋友们！ 我终于下定决心写下我的第一篇帖子——并决定直接挑战两个当下最热门的话题：AI 和安全。
先做个简短的免责声明：这是试图将两个在很长一段时间内都不会真正交汇的世界结合起来：AI 和老派的安全人员。让我来解释一下。
几年前，我曾参与一个非常老旧的航空医疗认证系统项目——该系统负责判定人员是否具备在航空领域工作和学习的体能及心理健康条件。项目本身以及我在其中的角色并不怎么有趣：主要是将系统从Cache迁移到IRIS，并根据新法规对客户端进行现代化改造。 但我至今仍记得那支由审计员和安全官员组成的团队：每次新的集成、每个新的封装层、每一步数据提取操作，都会引发数十个问题，产生数页的文档和数据流图。其中有三个问题让我印象深刻：
前两个问题我们轻松通过了。但第三个问题却让审计搁浅了：审计员要求提供针对医疗数据的特定访问记录，却未能找到。这并非因为没有发生访问：这些访问是合法的，检查机制也有效——我们只是在错误的层级上进行了日志记录。
本次发布的目标很简单：让使用 InterSystems IRIS 和 Caché 的日常工作变得更轻松一些。
以下是五大主要变更。
- Query Cloud 现可在单个查询中连接多个数据库
SQL Data Lens 利用 Apache Calcite 实现跨不同数据源的联合查询，同时尽可能将过滤、连接和聚合操作下推至各系统。
IRIS + PostgreSQL + 一个装满 CSV 文件的文件夹。
一条 SQL 语句。
- 现在可以搜索 SQL 历史记录
旧式的按日分类树形结构已不复存在。
历史记录条目支持排序、筛选、置顶和导出。失败和已取消的语句现也已包含在内，这使得故障排查变得更加容易。
- SQL 扫描器能检测出更多问题
外键分析现已支持 IRIS 和 Caché。
新增的统计信息检查功能可帮助识别过时的优化器统计信息，且索引建议会考虑实际列的基数。
每项检测结果均附有说明及建议的 SQL 语句。
- 一键从表导航至类和全局变量
类名和全局变量名现已成为超链接。
微小的改动，却出乎意料地实用。
- 执行计划终于变得易于阅读
纯文本形式。可选中。可搜索。可复制。
支持 DuckDB、PostgreSQL 和 SQL Server，Query Cloud 还能通过“显示联合执行计划”功能解释其自身的联合执行策略。
InterSystems 宣布推出第四个预览版，作为 2026.3 版本开发者预览计划的一部分。该版本将包含 InterSystems IRIS® 数据平台、InterSystems IRIS® for Health™ 以及InterSystems Health Connect™。
2026.3 版本中已新增多项更新和增强功能：
初始文档可通过以下链接查阅。这些文档将在未来几周内持续更新，直至正式发布（一般可用版 - GA）：
未来的预览版本预计每两周更新一次，我们将根据功能开发进度陆续添加新特性。请通过开发者社区分享您的反馈，让我们共同打造更优质的产品。
目前有多个 EAP 项目可供选择。请访问此页面，并注册您感兴趣的项目。
此版本提供了适用于所有受支持平台的经典安装包，以及 Docker 容器格式的容器镜像。完整列表请参阅《受支持平台》文档。
| 警报 ID | 受影响的产品及版本 | 风险类别与评分 | 明确要求 |
| DP-453448 |
InterSystems IRIS® 数据平台 InterSystems IRIS® for Health InterSystems Health Connect™ |
运行状态：4 – 高风险 | 发生空闲超时，或者现代互操作性应用程序中的会话 应用程序的会话意外退出。 |
当用户单击打开任何现代（新）互操作性应用程序（生产配置、规则编辑器、DTL 编辑器、BPL 编辑器、消息搜索/查看器），然后让应用程序处于非活动状态（根据每个应用程序的闲置超时时间）时，会发生此问题。 此操作会将用户注销，随后应用程序将丢失命名空间的上下文。 因此，应用程序会错误地向服务器发送未在 URL 中指定命名空间的查询；由于 URL 格式不正确，当 ^%ISCLOG 设置为 1 或更高值时，该请求会在 messages.log 中生成一个或多个条目。 随着时间的推移，这些请求可能会导致大量错误消息。
当通过将 ^%ISCLOG 设置为 1 或更高值来启用该选项时，messages.log 中生成的海量错误可能会占用大量磁盘空间。此外，还可能会在审核日志和日志文件中生成重复条目。
大家好，
我们很高兴地宣布即将举办的下一场在线编程竞赛：
🏆InterSystems 编程竞赛：打造属于你的管理门户🏆
比赛时间：2026年9月14日 - 10月4日（美国东部时间）
总奖金：12 ,000美元
🌟本届新亮点：我们推出了“新秀提名”环节，为刚接触 InterSystems 编程竞赛的开发者提供额外奖项。具体参赛资格请见下文。
____( o)>
\ <_. )
`---'
. 某个类突然无法被找到。
尽管你知道数据确实存在，但查询却未返回任何行。
. ObjectScript 方法失败，却没有明显的原因。
. 应用程序在某个环境中能成功连接，但在另一个环境中却无法连接。
.
SQL DATA LENS 4.02 于 2026 年 9 月 4 日发布。在其各项更新中，有一项我特别想重点提及，因为这是我多年来一直期待却从未在其他地方找到的功能：SQL DATA LENS 现在可以直接在“Global Browser”中打开一个 .gof 文件——即 InterSystems 的 %GOF 块格式global导出文件——直接在“Global Browser”中，因此您可以在收到导出文件后立即浏览其内容，而无需先将其导入任何地方。
这是一项全新的功能，而块格式最初是作为 IRIS 实例之间的内部传输格式设计的，从未被设想为第三方工具可读取的格式——因此我们是通过研究 IRIS 的写入内容来理解它的，而非基于任何规范。 这正是我撰写此文的原因：希望您能用自己的导出文件试用该功能，并告诉我们您的使用体验。下文将介绍该功能的工作原理、我认为其有用的原因、当前的局限性，以及哪些反馈对我们最有帮助。
.gof 文件必须先导入才能查看如果你长期使用 IRIS 或 Caché，.gof 文件就会开始堆积如山。 管理门户会生成这些文件（系统资源管理器 ▸ 全局变量 ▸ 导出，“块格式” | System Explorer ▸ Globals ▸ Export, "block format" ），^%GOF 会生成这些文件，##class(%Library.Global).Export(...)
欢迎阅读本期更新。以下是几个值得关注的亮点：
对于初次接触本系列通讯的读者，本次更新详细介绍了近期增强功能以及基于当前信息预计的变更；但未来规划仍存在不确定性，本文内容不应被视为最终的产品路线图。
IRIS 2026.3将为基于 ARM 的服务器引入最低支持的 CPU 架构要求，即必须采用 ARMv8.1-A。 如果您在 AWS、Azure 或 GCP 上使用 ARM 实例，或者正在运行 M 系列 Mac，则已满足此要求。Intel 和 AMD的最低支持 CPU 架构保持不变。
我们将基于 insightsoftware 的 Logi Report（包含 Designer 和 Server）构建的 InterSystems Reports 连接到生产环境中的 InterSystems IRIS 实例，从而能够基于 IRIS SQL 视图生成带有品牌标识的、按计划生成的 PDF 和 Excel 报表。 本文是一份我们希望在项目启动之初就拥有的分步指南：基于最小权限原则的 IRIS 配置、可靠的 JDBC 配置、作为 IRIS 与报表层之间接口的 SQL 视图，以及通过 CSS 集中管理品牌样式并配合报表模板。 关于工具本身，我们的主要经验是：尽管报告文件可以作为代码进行编辑，但 Designer 用户界面应作为默认选择——直接文件编辑应仅用于您已深入理解的功能。每个步骤都包含使我们能够重复进行设置的实用技巧。
本指南面向需要通过第三方报表工具公开 IRIS 数据（以我们的案例为例，即医疗保健付款数据）的 IRIS 开发人员和集成工程师，且希望在开始之前就明确连接、建模和模板化的相关决策。
InterSystems Reports 将报告、目录和样式表存储为可编辑文件，因此您在“设计器”中能完成的所有操作，在文本编辑器中同样可以实现。因此，我们特意深入探索了这一功能，以找出其极限。
大家好，社区的朋友们！
IRIS Interoperability 中的业务规则属于那种原本运行顺畅，却会突然失效的功能之一。您构建了一条规则，条件看起来正确，路由目标也无误，但消息却一直被转发到默认操作。事件日志中没有错误，可视化跟踪中也没有明显的线索。
最常见的原因之一是动态对象的属性无法按预期方式访问。本系列文章共分两部分，将全面介绍这一问题。 第 1 部分将引导我们使用 HL7 消息类型设置一个生产环境，并构建一个 BPL 业务流程，该流程通过动态对象对传入的 HL7 消息进行数据增强。第 2 部分将使用同一生产环境，演示七个在生产集成中导致“无声故障”的实际属性访问陷阱。
%DynamicObject 是一个无需定义类即可动态创建的无模式对象。%Set() 设置包含下划线等特殊字符的属性，并使用 %Get() 将其读回。本指南面向处理 BPL 业务流程和 HL7 路由的 IRIS 互操作性开发人员，旨在帮助他们了解如何在做出路由决策之前，通过动态对象来丰富消息内容。
我们发布了首个在 InterSystems ObjectScript 和 IRIS 平台上衡量 LLM 能力的开放式基准测试：ObjectScript LLM 基准测试。
现有的编程基准测试——SWE-bench、LiveCodeBench、Terminal-Bench——均基于 Python、 JavaScript 和 shell 语言。其中没有一项涵盖 ObjectScript、IRIS SQL、嵌入式 Python 或 %CSP.REST。 已发布的编程评分无法直接应用于 IRIS 平台。这是首次尝试 直接衡量这一差距。
140个手工编写的项目，涵盖三个类别：代码生成、代码理解和错误修复。 主要评分器是一个实时运行的 IRIS 实例——模型响应会被编译并执行， 输出结果与预期字符串进行比对。对于 93 个基于执行结果评分的 题目，不存在主观评分。47 个理解类题目则采用基于评分标准的 LLM 评判器。
我们运行了14个模型（Claude 4.x/5、GPT-5变体以及三个自托管的Qwen3/DeepSeek模型）， 均采用其可用的最高推理配置，每个项目在温度为0的条件下生成一个响应。
总体准确率在0.515至0.851之间。 排名前九的模型集中分布在 0.737 至 0.
Open Exchange 上有许多实用的项目，但很容易被忽略。如果你使用 InterSystems IRIS 进行开发，以下这 10 个项目值得收藏。
