要成功构建和部署人工智能代理以应对医疗保健领域的各种用例，关键在于高质量的数据和API，以及有效的治理与管理。 InterSystems IRIS FHIR 服务器不仅能满足上述所有需求，还精通 Python、向量搜索和互操作性。结合强大的大型语言模型（LLM），患者、医生、护理人员和管理者将能够利用最先进的技术来改善个人健康和公共卫生。

本文利用 InterSystems IRIS FHIR 存储库、FHIR API、嵌入式 Python 以及向量搜索作为数据服务和 API，从而使部署在 Ollama 上的 LLM lhama3 能够处理以下用例：临床摘要、 通过API使用自然语言探索FHIR数据、AI生成的患者临床指标图形分析，以及利用向量搜索进行病例相似性比较等用例。

安装

1. 访问 Open Exchange 并查找应用程序 fhir assistant（https://openexchange.intersystems.com/package/fhir-assistant）

2. 将代码库克隆/通过 Git 拉取到任意本地目录：

$ git clone https://github.com/yurimarx/fhir-assistant.git

3.

InterSystems IRIS 社区版 HAOS 插件

在 Home Assistant 中以插件形式运行 InterSystems IRIS。在你可能以“这只是噱头”为由忽略本文之前，我希望你能退一步，看看使用这个平台启动基于 IRIS 的应用程序是多么简单。  如果你浏览 Open Exchange，会发现成百上千款值得运行的应用程序，但它们基本上被晾在一边，沦为“Gitware”（仅存于代码库中），若想运行它们，你还得在笔记本电脑上与 containerd 或 Docker 展开一番较量。  如今，只需一个简单的 Git 仓库和一份规范，你就能在 IRIS 上构建应用，并通过应用市场将其发布，而终端用户几乎无需费心。  将其与 Ollama 以及 LLM/LAM 实现并行运行，将 IRIS 中的任何内容作为传感器公开，或在你的 IRIS 应用中暴露交互端点，以便与连接到 HAOS 的任何设备进行交互。 想通过轻按物理开关或借助辅助 AI 重启 IRIS 生产环境吗？你可以使用这个插件，或者开发自己的插件，与家庭自动化极客们并肩协作。

项目链接

• GitHub：https://github.com/vinogrannia/fhir-patient-snapshot-agent
• 在线演示：https://fhir-patient-snapshot-agent.onrender.com/
• YouTube 演示：https://youtu.be/Hsu10Nnujng

概述

FHIR 患者快照代理（FHIR Patient Snapshot Agent）是一款专为 InterSystems AI 代理和 FHIR 编程竞赛开发的小型开源应用程序。

该项目实现了建议的“智能患者摘要生成器”构想：它检索所选患者的结构化 FHIR 资源，并生成一份简明扼要、针对特定角色的患者摘要。

其目的并非进行诊断或推荐治疗方案。该代理仅作为摘要生成助手，所有生成的内容都必须与源FHIR数据进行核对验证。

InterSystems IRIS for Health 的应用方式

该应用程序使用 InterSystems IRIS for Health 作为 FHIR 互操作性层。

在本地部署环境中，IRIS for Health 提供了一个 FHIR R4 API。Python 应用程序通过查询该 API 来获取与患者相关的资源，包括：

• 患者
• 病情
• 用药请求
• 过敏与不耐受
• 观察
• 就诊
• 护理计划

该 Python 应用程序不会直接读取本地临床文件。

在我的第一篇文章中，我介绍了 FHIR 患者快照代理的基础版本：这是一个基于 Streamlit 和 Python 的应用程序，它从 InterSystems IRIS for Health 中检索 FHIR 资源，并利用大型语言模型（LLM）生成简明扼要的患者摘要。

本文作为后续文章，将介绍我是如何通过添加两项针对 InterSystems 的功能来扩展该项目的：

• 源上下文向量搜索
• 用于 IRIS 兼容审查的嵌入式 Python 组件

目标是让该项目作为临床摘要原型更具实用性，同时保持设计足够精简，以便于理解和复现。

项目回顾

FHIR 患者快照代理（FHIR Patient Snapshot Agent）是一款基于人工智能的 FHIR 患者数据摘要工具。

该应用程序可检索所选患者的结构化资源：

• 患者
• 病情
• 用药请求
• 过敏与不耐受
• 观察
• 就诊
• 护理计划

Python 层将这些资源整合为一个紧凑的患者背景。用户随后可以生成以下任一内容：

• 确定性摘要，或
• 由大型语言模型（LLM）生成的针对特定角色的摘要

该 LLM 集成通过兼容 OpenAI 的聊天补全 API 使用 Nebius Token Factory。演示中使用的模型为：

该项目为开源项目：

大家好， 

我创建了一个简短的演示和参考代码库，展示了如何将 Auth0 配置为 InterSystems IRIS FHIR 服务器的 OAuth 提供商，以及如何从 Python Flask 应用程序调用受保护的 FHIR 资源。 

以下链接包含一段视频演示以及一个 GitHub 仓库，其中包含视频中使用的示例应用程序 

链接 

视频演示： 

GitHub 仓库：https://github.com/MarshyKid/iris-fhir-oauth-demo

在问诊前，人工智能助手会先阅读FHIR患者病历，根据已掌握的信息提出恰当的问题，识别关键的警示信号，并将分析结果反馈给医生——这样医生就能做好充分准备。

该项目灵感源自InterSystems编程大赛“FHIR人工智能代理”中建议的第10项任务（对话式FHIR分诊助手）。

解决的医疗痛点

在患者走进诊室之前，一个关键的疏漏已经发生：没有人阅读过他们的病史。医生只有15分钟的时间。患者不得不第三次向医生重复自己的病情、用药情况和过敏史——这已经是今年第三次了。 诸如华法林治疗期间的出血、心力衰竭伴随的胸痛、抑郁症伴随的自杀意念等“危险信号”，要么直到为时已晚才被询问，要么根本未被提及。

这并非技术上的缺口。 数据是存在的。它们存储在分布于不同系统中的数据仓库中，其中包含患者的纵向病历，涵盖病情、用药情况、实验室检查结果、过敏史及就诊史。真正的缺口在于诊疗现场的智能辅助——一个能在就诊前阅读病历、根据已知信息提出恰当问题，并将分析结果反馈给医生，使医生做好充分准备的智能助手。

在技术示例应用TriageAide中，我们以具体场景为切入点，探索如何将 InterSystems IRIS FHIR 服务器、模型上下文协议（MCP）和生成式人工智能（Generative AI）结合使用。该应用是一款人工智能助手，旨在优化患者接诊流程和临床交接工作。

大多数“AI 代理 + FHIR”项目最终都呈现出相同的架构：这边是一个 FHIR 服务器，那边是一个向量数据库，中间则是一个 Python 服务，其职责是调用嵌入 API、在两端之间转换浮点数数组，并保持两个数据存储库的同步。 三个活动组件、两次网络跳转，以及一个你从此永久拥有的嵌入式客户端。

Triage Park：我们 提交给InterSystems 编程大赛:FHIR AI Agent的参赛作品，完全没有这些复杂结构。该代理从不计算嵌入向量，也从未导入过 OpenAI 嵌入向量客户端。 没有向量数据库。它将原始文本发送给 IRIS，剩下的工作由 IRIS 完成：它在服务器端计算嵌入向量，并通过针对与 FHIR 存储库位于同一数据库*中的表执行单条 VECTOR_COSINE SQL 语句来响应检索请求。

这就是 IRIS for Health 的“AI Hub”模式，一旦我采用该模式，我自己的代码中整整一层就消失了。以下是它的具体工作原理。

问题在于：分诊人员需要快速获得指导方针

Triage Park 是一款对话式分诊助手。患者描述症状（“我上楼梯时胸口发紧”），由大型语言模型（LLM）支持的助手会读取患者的真实 FHIR 病历，并生成分诊决策：自我护理 / 看全科医生 / 急诊护理 / 急诊科，同时附上依据说明。

“引用依据”(Cited rationale)是关键所在。

在开始开发“智能出院导航器(Smart Discharge Navigator)”时，我遇到了一个常见的难题：FHIR 数据以 JSON 数据包的形式存储，但我所需的分析需要将多个资源进行关联，而这正是 SQL 所擅长的领域。

InterSystems FHIR SQL Builder 彻底解决了这一问题。我无需在应用程序代码中解析 JSON 数据包，而是能够直接在 IRIS for Health 中针对 FHIR 资源投影编写纯 SQL 语句。本文将详细介绍我如何利用该工具构建了该应用程序核心——基于人群的再入院风险评分引擎。

临床问题

30 天内的医院再入院是医疗保健领域成本最高且本可预防的问题之一，每年给美国医疗系统造成 170 亿美元的损失。挑战并不在于事后识别风险因素，而在于在恰当的时机——即患者出院前——及时发现这些风险因素。

为了评估再入院风险，我需要针对每位患者同时回答以下五个问题：

• 该患者近期住院过几次？
• 该患者是否患有多种活动性慢性病？
• 该患者目前是否正在服用五种或更多种药物（多药联用）？
• 病历中是否有任何异常实验室检查结果？
• 是否有缺席随访的情况？

如果通过 Python 解析 FHIR 数据包来回答这五个问题，不仅速度慢，而且容易出错。而 FHIR SQL Builder 则让这一切变得简单明了。

摘要

常见表表达式（CTE）为在SQL语句中定义可重用的中间结果集提供了一个结构化的框架。InterSystems IRIS通过WITH子句实现CTE，在与IRIS基于成本的优化器完全集成的情况下，既能实现更清晰的查询构建，又能支持模块化的分析处理。

本文探讨了 InterSystems IRIS 中 CTE 的语义，解释了其与查询优化的交互关系，讨论了合适的部署场景，并提供了可执行的示例，以说明生产环境中的实用模式。

1. 引言

复杂的 SQL 工作负载通常需要多个逻辑处理阶段（例如过滤、聚合、数据增强和投影）。如果没有抽象机制，这些操作往往会导致查询结构深度嵌套，难以理解和维护。

常见表表达式（CTE）通过允许开发人员定义可在单个 SQL 语句中求值的命名查询组件，解决了这一问题。

在 InterSystems IRIS 中，CTE 通过 SQL 的 WITH 子句实现，并作为逻辑查询表达式运行，与周围的语句一同进行优化 [1]。

2. InterSystems IRIS 中的常见表表达式

2.1 定义

公共表表达式（Common Table Expression）是在 SELECT 语句之前声明的命名子查询：

WITH PersonSubset AS (
  SELECT ID, Name, Age
  FROM Sample.Person
)
SELECT Name
FROM PersonSubset

太长不读版（TL;DR:）:本文演示了如何利用iris-vector-graph包，完全在 InterSystems IRIS 环境中实现 GraphRAG 风格的混合检索——该方法结合了向量相似度、图遍历和全文搜索。 我们通过一个欺诈检测场景，展示了图模式如何揭示仅靠向量搜索无法发现的问题。

为何欺诈检测需要图技术

每年，企业和消费者因欺诈损失数十亿美元。仅在2024年，消费者报告的损失就达125亿美元——同比增幅达25%。 现代欺诈之所以难以被发现，是因为欺诈者很少单独行动。他们通过有组织的网络运作，实施协调一致的骗局，利用我们无法察觉看似无关的交易之间存在关联这一弱点。

举个简单的例子：从账户 A 转账至账户 B 的单笔交易看起来完全正常。金额合理，时间点符合常规，且两个账户均未被标记为可疑。传统的基于规则的系统，甚至那些孤立分析交易的机器学习模型，都会毫不犹豫地批准这笔交易。

但如果我们能看到全局呢？

同一笔交易其实是环形模式的一部分——资金在循环流动，每一步都会被截留一小部分。这是一种典型的洗钱结构，对于任何不分析交易关联性的系统来说，都是隐形的。

这一洞见——即欺诈隐藏在关联关系中，而非单个记录中——正是图数据库成为欺诈检测不可或缺工具的原因。

各位社区成员，欢迎大家订阅InterSystems 学习服务通讯，获取与您的职位和目标相关的最新内容，保持领先！

了解如何定制您的学习之旅！👇

v2026.1 刚刚正式发布，其中我最期待使用的一项功能就是DTL 说明功能。

该功能允许您选择一个数据转换，只需点击一下按钮，即可获得该转换的人类可读描述（您还可以将其作为 DTL 描述的基础）。

对于复杂的 DTL，尤其是那些并非由您亲自编写，或者虽然由您编写但已时隔许久的 DTL，该功能将帮助您快速清晰地了解其工作原理。

对于尚未使用过“安全钱包”（Security Wallet）功能 的用户（有关此功能的更多信息，请参阅这些文档、这段 4 分钟视频以及这段 36 分钟视频），请注意：您需要使用该功能来配置DTL 解释器的OpenAI 许可证 API 密钥。

有关此功能的更多详细信息，请参阅此处的文档。

另请参阅@Aya Heshmat的帖子，其中包含一段视频（链接直接跳转至展示 DTL Explainer 的时间点），介绍了新互操作性 UI 中的所有最新功能。

此外，还可观看@Julie Ma 提供的这段更详细的视频演示与讲解。

这是将生成式人工智能（GenAI）功能整合到 InterSystems 产品中的一个示例。

给大家推荐一种新的大型表格管理方式！看看分区如何帮助您管理和查询数据：

在 InterSystems IRIS 中使用分区管理表

InterSystems Reports 25.3 版本现已在 InterSystems 软件分发网站的“组件(Components )”部分发布。该软件名为 InterSystems Reports Designer 和 InterSystems Reports Server，支持 Mac OS X、Windows 和 Linux 操作系统。  

别被这个小版本号所迷惑——此版本包含大量新功能。其中包括焕然一新的用户界面——“浅色模式”下线条更简洁、配色更清新，并且您可以在“用户配置文件”中切换回“经典模式”。 此外，我们的合作伙伴 insightsoftware 还提供了额外的修复和增强功能。InterSystems Reports 25.3 基于 Logi Report 25.3 Service Pack 5 构建。如需了解更多信息，请参阅 insightsoftware 提供的发布说明。

此外，InterSystems 还新增了对Page Report Studio和Web Report Studio 的访问权限，这使客户能够通过报告服务器进行更丰富的报表编辑，从而在许多报表设计任务中减少了对安装 Report Designer 的需求。请点击链接了解更多详情。

欢迎回到关于 AI Hub 的系列入门文章，这是目前处于早期访问计划（EAP）阶段的新产品功能！（链接：EAP 网站下载、文档）

在上一篇文章中，我们介绍了如何使用新的 %AI 类直接在 ObjectScript 中创建代理和代理工具。 不过，有时您可能并不需要创建新的代理，而只是希望向现有代理添加一些自定义工具，以便让本地 claude、codex、copilot 或其他您选择的代理直接查询您的数据。这时，MCP 服务器就派上用场了。

在本指南中，我们将逐步演示如何创建自己的 MCP 服务器来访问您的数据。

免责声明：AI Hub 目前处于早期访问预览阶段，其功能在正式发布前可能会发生变更；如发现任何问题，可通过上述链接的文档 GitHub 仓库提交问题报告。EAP 预览版不适用于生产环境。

MCP 的简要介绍

我将简要介绍，因为关于 MCP 服务器（模型上下文协议）已有大量其他优质文章（建议从@Pietro Di Leo 的这篇文章或InterSystems 总裁 Don Woodlock 的这段精彩入门视频开始阅读）。

模型上下文协议（Model Context Protocol）是一种传输协议，允许将外部工具添加到代理中 存在一个发现“握手”过程：MCP 服务器会向 MCP 客户端发送工具列表。

对于上周没有参加 READY 大会的朋友们来说，你们可能错过了这一激动人心的消息：AI Hub 的抢先体验计划现已正式启动。这一消息是在@Benjamin De Boe和@Jeff Fried 带来的一场精彩演示中公布的，我建议大家在录像发布后务必观看这段演示！  我有幸提前体验了 AI Hub，想借此机会向社区大家介绍一下。

在深入探讨细节之前，先提供文档链接和EAP 门户链接，您可通过这些链接下载 AI Hub，目前提供独立安装包或容器镜像两种形式。 

请注意，这只是预览版，在正式发布前可能会有重大变更，该版本不适用于生产环境，您可能会遇到一些问题——如果遇到问题，请在 GitHub 页面上提交问题！

代理

对我来说，最令人兴奋的功能莫过于全新的 ObjectScript 代理 SDK。现在，您可以使用直观的 SDK，直接在 ObjectScript 中创建代理和工具。

创建代理非常简单：您可以通过 XData INSTRUCTIONS 组件为其指定系统提示，然后只需设置提供程序、模型和工具即可：

Class Sample.Agent Extends %AI.Agent
{
    /// LLM Model
    Parameter MODEL = "gpt-5-nano";

    /// Toolsets that the agent can use
    Parameter TOOLSETS = "Sample.ToolSet";
    
    /// System Prompt
    XData INSTRUCTIONS [ MimeType = text/markdown ]
    {
    # Sample Assistant

    You are a helpful assistant with access to a set of tools to interact with a database of people.
    }

    Method %OnInit() As %Status
    {
        // Set provider with API key from environment variable
        Set key = $System.Util.GetEnviron("OPENAI_API_KEY")  // or whatever
        Set ..Provider = ##class(%AI.Provider).Create("openai", {"api_key": (key)})
        
        Return $$$OK
    }
}

我正在 QA 环境(InterSystems Caché/IRIS)中运行系统的安装/配置,在创建访问权限配置文件(perfis de acesso)的过程中遇到以下错误:

ERROR #883: Role AcessoTabelas does not exist.

安装过程在此处中断,无法完成权限配置文件的创建。

目前的排查情况:

经过排查,发现该错误的原因是:系统在创建其他角色(roles)时,尝试将一个名为 AcessoTabelas 的角色作为基础角色引用,但该角色在当前环境中并不存在。看起来这个角色应该是预先就存在的,但在 QA 环境中没有被迁移或创建。

想请教社区的问题:

• 这个 AcessoTabelas 角色是否应该在安装的某个前置步骤中自动创建?
• 有没有人遇到过同样的错误?在新环境中安装系统前,是否需要手动创建这个角色?

非常感谢任何帮助!

需要我调整语气(更正式或更简洁)吗?

在上一篇文章中，我们探讨了 IRIS 中单元测试的基础知识以及将其应用于 REST API 的方法。我们甚至还了解了如何在最终确定网络配置和身份验证之前测试逻辑，从而使我们能够专注于测试 API 内容。

今天，我们将在此基础上使用另一个工具来提升我们的单元测试策略：%Populate。

乍一看，%Populate类似乎非常简单。你可以创建一个同时扩展了 %Persistent和 %Populate的类，并继承一个用于生成随机记录的 方法。该工具可识别某些字段名称（如 "Name"、"SSN" 和 "Phone"），并应用专门的逻辑来确保数据的真实性。如果某个字段名称没有被识别为特殊字段名称，就会按照其指定的数据类型填充随机值。

假设我们开发了这样一个具有以下属性的类，用来跟踪商店中一些基本的客户信息（我们的类还扩展了 ，这在后面会派上用场）：

Class User.CustomerList Extends (%Persistent, %Populate, %JSON.Adaptor)
{
    Property Name As %String;
    Property DOB As %Date;
    Property Age As %Numeric(SCALE = 0);
    Property IsMember As %Boolean;
    Property MemberID As %String(POPSPEC = ".GenID()");
}

Intersystems_pyprod 是InterSystems Python Productions 的简称，它是一个 Python 库，使开发人员能够完全使用 Python 构建这些互操作性组件。该库设计灵活，支持混合方法：您可以将基于 Python 的新组件与现有的基于 ObjectScript 的组件无缝地混合在一起，并充分利用已建立的 IRIS 基础架构。这些 Python 组件一旦定义，就可以像其他组件一样进行管理；可以使用 IRIS 生产配置页面添加、配置和连接这些组件。

快速了解 InterSystems IRIS 生产系统

生产的关键要素

图片来自Learning Services培训材料

IRIS 生产系统通常从外部接口接收数据，通过协调的步骤进行处理，并将其传送到目的地。当信息在系统中移动时，它们会被自动持久化，从而通过 IRIS 的可视化跟踪和日志工具对整个流程进行全面跟踪。该架构依赖于某些关键要素：

1. 业务主机：这些是核心构件--服务、流程和操作--它们在彼此间传递可持久化的信息。
2. 适配器：入站和出站适配器管理与外部世界的交互，处理接收和发送数据所需的特定协议。
3. 回调：引擎使用特定的回调方法在主机之间同步或异步地传递消息。这些回调方法遵循严格的签名，并返回一个 Status 对象，以确保执行的完整性。

在 ObjectScript 代码中，ClassMethods 的使用似乎很普遍。我希望我自己的经历不具有代表性，但我打赌它们确实具有代表性。请原谅我泄露了本文的结尾，但简而言之：不要使用它们。除非你能提出令人信服的理由证明你必须这样做，否则就永远不要使用它们1。

什么是ClassMethod？在 ObjectScript 类中，您可以通过两种不同的方式定义方法：在 Method 中，您必须实例化类的实例才能调用方法；而在 ClassMethod 中，您可以调用方法而无需实例化类。当然，在 ClassMethod 中，你无法访问对象的任何属性（因为没有对象），但你可以访问 globals（毕竟它们是全局的）和 Parameters（即类常量）。

基于时间的一次性密码(TOTP)的两阶段认证是广泛使用的提高安全性手段。

本文以访问IRIS系统管理门户(System Management Portal)为例，介绍如何在IRIS里配置TOTP提高访问IRIS的安全性。

1. 允许TOTP的两阶段认证(2FA)

打开IRIS系统管理门户(SMP)，进入系统 > 安全管理 > 身份验证/Web 会话选项  - (安全设置)，选中Allow Two-factor Time-based One-time Password authentication，然后在出现的Two-factor Time-based One-time Password issuer 中修改issuer名字，例如MyIRISServer

2. 允许Application使用TOTP的两阶段认证(2FA)

这里以管理门户(SMP)为例，它是一个Web application (/csp/sys)。打开IRIS系统管理门户(SMP)，进入系统 > 安全管理 > Web 应用程序 > 编辑 Web 应用程序  - (安全设置) ，点击/csp/sys。然后在安全设置>允许的身份验证方法下选中“基于时间的一次性双重验证密码 ”

3. 配置用户使用TOTP的两阶段认证(2FA)

确定哪些用户使用基于TOTP的2FA，并修改该用户的配置。这里以用户SuperUser为例。

在基于 InterSystems IRIS 开发 Python 应用时，你很快就会发现存在多种执行上下文：

• 由 IRIS 直接启动的 Embedded Python；
• 加载本地 IRIS 安装中 Embedded Python 库的常规 python3进程；
• 通过官方原生驱动连接 IRIS 的外部 Python 应用。

这三种场景都非常有用，但在导入机制、系统配置、对象 API 以及 SQL 访问方面，它们的行为并不完全一致。iris-embedded-python-wrapper项目提供了一个稳定的 Python 门面（Facade），旨在减少这些差异，并提供一个统一的入口点：import iris。

存在的问题

在一个围绕 IRIS 构建的 Python 项目中，同一份代码可能需要在多种环境中运行：

• 在 IRIS 终端中，通过 iris python iris或 iris session iris后输入 :py；
• 通过 启动的本地 Python 脚本；
• 连接到 IRIS 实例的远程 Python 服务。

如果没有抽象层，许多细节往往就需要分别处理：

• Embedded Python 的 iris模块只有在 IRIS 运行时被正确加载时才可用；
• 原生 SDK​ 同样暴露了一个 包，这可能导致冲突或产生歧义的导入；
• 和 DB-API 连接在嵌入式模式和

大家好👋
我很高兴与大家分享我提交给本届InterSystems .Net、Java、Python 和 JavaScript 竞赛的项目——它叫做IRIStool 和 Data Manager，您可以在InterSystems Open Exchange和我的GitHub 页面上找到它。

大家好、

请观看在线学习中的这些新视频，熟悉 InterSystems® 产品最新版本中的新功能和界面。学习服务 YouTube 频道也提供所有视频。

此外，您还可以观看面向ObjectScript 新开发人员的视频，以及面向HealthShare® 用户的部署升级指南。

• 目标： 了解 InterSystems 产品 2026.1 版中互操作性用户界面的增强功能。
• 相关产品：InterSystems IRIS、IRIS for Health、Health Connect
• 另请参见： 包含所有产品版本类似视频的登陆页面（或查看YouTube 播放列表）

• 目标：使用 GenAI 快速生成 DTL 转换说明。
• 相关产品：InterSystems IRIS、InterSystems IRIS for Health、Health Connect
• 受众： 使用 DTL 转换的集成商

• 目标： 通过在多个数据库中分配数据，有效地管理和查询数据。

cache到iris的变化中，常用命令的变动有没有归纳的地方

ccontrol start  —— iris start

比如在cache中d ^pButtons，但是在IRIS中就无法使用

今天，我发布了一个新的Open Exchange 软件包，用于直接在 IRIS 中生成合成数据。

当你想制作一个演示应用程序时，找到合适的数据集是一个令人沮丧的过程。也许数据集并不那么重要，但您仍然希望它看起来有点真实，并有几个链接表，可以直接在 IRIS 中使用 -> 的隐式连接。也许您只是想让链接表可以很容易地安装到 IPM 中，用于基准查询，那么这种数据集生成方式就再好不过了。

我选择使用嵌入式 Python 创建数据集，这些数据集可通过自定义配置文件进行配置。这些数据集直接用一个 IRIS 类方法生成，并可使用乘数进行缩放，以创建任意大小的数据集，而无需测量配置。

目前我有四个数据集：
- 金融服务（如银行卡、账户、交易）
- 零售（商店、产品、用户、库存）
- 供应链（产品、销售订单、库存移动）
- 主题公园管理（公园、区域、游乐设施、事故）

我不是这些领域的专家，所以我怀疑它们是否超级准确，而且数据生成使用了 faker 等 python 库，统计加权生成使用了 numpy，所以感觉有点人工合成。

老实说，作为一个我无法投入大量时间的副业项目，这个项目的成功离不开人工智能。我在设计数据集和生成创建数据集的代码时广泛使用了人工智能。我监督、测试了个人使用的案例，并积极参与了项目设计，但代码都是人工智能生成的，我没有仔细审查过数据集的生成过程。

表分区演示 (Table Partitioning Demo)

本演示将带你体验 IRIS SQL 全新的表分区（Table Partitioning）功能，并沿途讲解其作用与工作原理。

为了验证概念，我们仅使用几十条数据进行演示。但显而易见，该功能的真正威力在于应对体量高出数个数量级的海量数据集。

💡 想要更简短、高屋建瓴的介绍？

不妨查看在线学习模块：Managing Tables with Partitioning in InterSystems IRIS

ℹ️ 表分区（Table Partitioning）功能已作为实验性功能包含在 IRIS 2026.1 中。

为了获得最佳的表分区体验，请注册 InterSystems Early Access Program (EAP)。加入 EAP 后，你将获得：许可证密钥、更新说明、与表分区团队更直接高效的沟通渠道。你的反馈对我们至关重要：我们越了解你希望如何使用表分区，就越能针对性地改进它。在注册Early Access Programs 的同时，也欢迎关注涵盖其他激动人心新功能的早期访问计划！

什么是表分区 (Table Partitioning)？

表分区允许用户依据特定的逻辑规则，将大表中的数据拆分存储到多个数据库中，从而实现高效的管理。

在上一篇文章中， 我谈到了（iris-copilot），这是一种在不久的将来，任何人类语言都可以成为任何机器、系统或产品的编程语言的愿景。它的代理运行程序实际上就是在使用这种所谓的第三代Agent。为了自己的方便，我也想保留/分享一份关于它是什么的详细记录。我在最近的谈话中多次提到过这个问题，所以也许值得一记。

为什么泄露的 512,000 行Claude Code揭示了一种全新的范式——以及为什么你的 LangGraph 工作流程已经是传统的了

我们正在见证人工智能代理的世代飞跃，这几乎是巧合。

在过去的四年里，人工智能行业已经经历了三代不同的代理技术--每一代都不仅仅代表着渐进式的改进，而是我们对人工智能系统在实际工作中的思考模式的根本性转变。第一代为我们提供了信息（information）。第二代给了我们协调（orchestration）。第三代技术--我称之为 "线束工程"（Harness Engineering）--给我们带来了质的不同：信任。

这种转变最明显的证据是什么？这是在一个 npm 软件包中意外发布的。

意外的蓝图：Claude Code的 512K 行泄漏

2026 年 3 月 31 日，Anthropic 发布了 @anthropic-ai/claude-code v2.1.88 的例行 npm 更新。一个丢失的 .npmignore

高级工程的定义不在于代码量的多少，而在于策略性地避免代码量。在复杂的集成环境中，倾向于利用通用库来满足每一个细分需求会带来不必要的开销。要实现真正的架构成熟，就必须致力于 "最小化工具"--优先考虑有弹性、经过实战检验的系统实用程序，而不是自定义逻辑。本评估将检查我们的 PGP 加密/解密流水线，以展示如何从应用级库转向操作系统本地授权，从而提高系统的耐用性。

现状：重量级实现

我们当前的 MPHP.HS.PGPUtil 类是一种高摩擦设计。现有的 InterSystems IRIS 业务流程虽然功能强大，但依赖性很强。通过桥接嵌入式 Python 来使用 pgpy 库，我们引入了一个 "重型 "堆栈，需要 Python 运行时、第三方库管理和特定的加密二进制文件。