#InterSystems IRIS for Health

简介

我希望让医学影像的探索变得更加轻松，同时又不丢失赋予图像意义的关键信息。三维模型有助于人们理解解剖结构。如果能了解该模型的来源、其边界是如何定义的，以及***哪些部分实际上已经过检查，***该模型就会更加实用。

这正是我一直在开发的开源研究与教育项目DICOM3D 所致力于解决的问题。该项目现已公开发布；本文将从更个人的角度介绍该项目，以及我为何投身其中。

兴趣源于技术层面，而我之所以不断回归这个项目，原因则在于个人层面。

我为何开始思考这些问题

2025年11月，我的妻子接受了紧急剖宫产手术。我们的双胞胎女儿在孕30周时出生。当时我就在手术室里，站在麻醉师身旁，亲眼目睹了整个过程。

手术过程中，我妻子发生了严重大出血，在极短时间内失血量巨大。我曾一度濒临失去妻子和两个新生女儿的绝境。那段经历至今仍深深影响着我。

此外，我妻子还患有巨大的子宫肌瘤，尺寸约为10×8×9厘米，虽然在孕期已被记录在案，但并未有效告知我们。*（我无法确定这是否导致了紧急情况，也无法断言它是否解释了所有医疗决策。）*令我印象深刻的是，记录在案的信息与我们对其存在的认知之间存在着巨大鸿沟。

我自身经历的慢性疼痛、脊柱问题、就医过程以及影像检查，也让我有充足的时间站在了病历的另一端。我深知，当对涉及自身身体的信息心存疑问，**却又无从查证时，**那种感受是怎样的。我是一名开发者，而非医疗专业人士。

在我的第一篇文章中，我介绍了“Readback”——这是我为*“互操作性工作流中的AI代理*”竞赛提交的参赛作品：这是一个AI Hub代理，可在IRIS for Health生产环境中对实验室结果进行分级处理，它可以将结果升级为“危急”级别，但绝不会将其降级，并且在有人核对数值之前，绝不会让“危急”级别的结果关闭。

本文要探讨的，是我认为比产品本身更值得深思的问题：**当一个AI代理运行在安全关键型工作流中时，究竟是哪一层在真正保障人员安全？**我对此进行了实测，结果令我大吃一惊。

• Open Exchange：https://openexchange.intersystems.com/package/Readback
• 代码库：https://github.com/kcedd34/iris-readback
• 视频：https://youtu.be/ML2pBgBkqUo
• 首篇文章：https://community.intersystems.com/post/ai-agent-can-raise-critical-lab-result-never-lower-it

测量内容

一个包含240条实验室检测结果的合成数据集（8个类别，每类30条，种子值2026），外加180条早期结果以构建患者病史。 每个案例都会完整运行整个产品流程：规则、检索、代理及其工具、组合以及发布保护。

人脸识别已成为验证个人身份最广泛采用的方法，从而能够实现系统访问、个人及文件数据的核验，以及对操作和文件的审批。
相关挑战主要涉及数据库规模庞大时的性能表现、识别准确率，尤其是生物特征面部数据的隐私保护。面对这些挑战，InterSystems Vector Search 无疑是最佳解决方案，因为它能够：

1. 在数百万条记录中执行向量搜索，响应速度远快于传统方法。
2. Vector Search 所采用的向量和数学模型在保证高准确性的同时，不会牺牲性能。
3. 无需存储人脸图像，仅需存储图像嵌入向量，从而使逆向工程成为不可能。这确保了完全符合《通用数据保护条例》（GDPR）、《巴西数据保护法》（LGPD）及其他个人数据隐私法规的要求。

本文详细介绍了收集、处理、存储以及执行向量人脸搜索的分步流程。文中使用了Deepface（一款用于处理人脸并将其转换为嵌入向量的非常流行的Python库），并结合InterSystems IRIS Vector Search对存储的嵌入向量进行向量比较，从而实现近乎实时的人脸识别。

解决方案的安装与使用

请按照以下步骤安装人脸识别系统（基于 Deepface 和 IRIS 的开源解决方案）：

1. 将代码库克隆或通过 git pull 拉取到任意本地目录

   $ git clone https://github.com/yurimarx/facial-matching.git
   $ cd facial-matching
   $ docker-compose build
   $ docker-compose up -d

总有人说自己的孩子更像妈妈或爸爸。要不要用数学和人工智能来确认一下呢？这款人脸匹配应用能给你答案。

看看这些结果：

1. 上传父亲、孩子和母亲的照片：

本文中的观点和见解基于我的个人经验。在起草和润色文本的过程中，我借助了大型语言模型（LLM）的协助，并亲自对内容进行了审阅和定稿。

对于熟悉代码且打字速度快的开发者来说，编写文档未必困难。对我而言，真正具有挑战性的部分其实是润色文档、梳理说明逻辑、修正语法，并确保其他团队成员能够准确理解具体实现方式。 

本文旨在分享我作为驻曼谷的实施团队成员，借助 Claude 获得帮助的经验。在处理 InterSystems IRIS 和 TrakCare 定制化项目时，我利用它来辅助文档结构设计和提升可读性，同时由我自己对最终内容进行审核。

开始之前，请遵循贵组织的 AI 政策。使用公司批准的 AI 工具，并确认您被允许提供哪些源代码和客户信息。对于 InterSystems 员工，请先向 AI 赋能团队申请批准，并务必阅读相关政策。拥有 AI 工具的使用权限并不意味着所有内容都可以与之共享。

为 Claude 准备上下文

文档的质量在很大程度上取决于所提供的上下文。我的工作流程整合了三类输入：

1. 自定义代码：例如，TrakCare API 扩展接口、LogiReport 使用的 ObjectScript 存储过程，或自定义 JavaScript 功能。如果某个类从自定义辅助类继承了方法，在相关的情况下我会将该辅助类包含进来。否则，Claude 可能会看到方法调用，却缺乏解释其行为所需的足够信息。

Hugging Face 为从事机器学习、自然语言处理、数据分析和人工智能领域的开发者提供了数千个数据集。InterSystems IRIS 则为数据的存储、查询和处理提供了一个强大的平台。将这两个生态系统结合起来，为希望直接在 IRIS 内对真实世界数据集进行实验的开发者创造了令人兴奋的可能性。

然而，导入数据集绝非仅仅是下载文件并将行插入表中那么简单。一个切实可行的解决方案需要处理数据集配置与分割、模式映射、分类标签、可重复性、大规模导入以及数据完整性等问题。

为应对这些挑战，我开发了IRIS HF Loader——这是一个开源的数据集资源管理器和导入工作室，可通过 Web 界面、ObjectScript、SQL、REST 以及 Python 将 Hugging Face 数据集导入 InterSystems IRIS。

在本文中，我将阐述该问题、解决方案背后的设计决策，以及开发人员如何利用它直接在 IRIS 中处理 Hugging Face 数据集。

1. 导入前的数据集探索

首要挑战之一是在决定导入之前，识别合适的数据集并理解其结构。

IRIS HF Loader 提供了一个数据集发现界面，支持按名称或关键词搜索 Hugging Face Hub。用户可以按下载量、点赞数、热门指数或最近更新对结果进行排序，并按任务、大小和语言进行筛选。

上午10:47— 何塞·加西亚的肌酐检测结果传送至医院的FHIR服务器。 2.1 mg/dL— 比上月上升了35%。

接下来会发生什么？

• 大多数系统：❌ 检测结果会滞留在队列中，直到临床医生手动审核——这可能需要数小时甚至数天。
• 本系统：👍 人工智能代理会评估趋势，参考临床指南，并生成循证建议——仅需几秒钟，且完全自动完成。

没有聊天机器人。没有手动提示。没有“黑箱”推理。

这是一种具有完全可解释性的事件驱动型临床决策支持系统：

✅由FHIR事件自动触发✅多智能体推理（上下文、指南、建议） ✅完整的SQL审计日志（每项决策、每个证据来源） ✅FHIR原生输出（将DiagnosticReport发布到服务器）

构建技术：

• InterSystems IRIS for Health— 编排、FHIR、持久化、向量搜索
• CrewAI— 用于结构化推理的多智能体框架

您将学习：🖋️ 如何在生产级互操作性系统中协调基于代理的人工智能工作流——以及为何可解释性比单纯的准确性更为重要。

YouTube 视频播放器

🎬 本演示的输出内容

当收到何塞的肌酐异常检测结果时，系统会自动生成：

**输入：**FHIR 观察结果（肌酐 2.

IRIS 2026.2 提供了一个用于管理的、已文档化的 REST API——即位于 /api/admin 下的 SysAdmin API，其 273 个操作均附有 OpenAPI 规范。 在**“构建您自己的管理门户”竞赛中，我基于该 API 构建了名为 Aperture** 的管理门户，并根据已发布的规范生成了其 TypeScript 类型定义。编译器会检查门户发送的每个请求以及读取的每个字段。

这使得规范承担了关键职责。当规范与服务器状态不一致时，门户会出现编译器无法检测到的错误：某列保持空值、某项服务显示为禁用状态、列表过早终止。 因此，我对 Aperture 进行了实际实例测试：在自己服务器上的容器中运行 IRIS for Health 2026.2（Build 221U），并在每次代码推送时通过持续集成测试 IRIS Community 2026.2。

共发现了二十处差异。其中大部分是明显的矛盾：字段名称或类型不一致、限制条件与文档不符、操作路径不同。其余则是规范中未提及但客户端必须了解的行为，其中有一处会导致监控系统将一个运行正常的实例误判为降级状态。

针对每处差异，我列出了规范中的规定、IRIS 2026.2 的实际行为，以及客户端可采取的应对措施，并附上了相关记录答案的链接。

Kaggle 数据集虽然很有用，但将其导入 InterSystems IRIS 并不总是那么简单。 您可能只有一个 CSV 文件，也可能有多个相关文件、包含多个工作表的 Excel 工作簿，甚至是大小达数 GB 的文件。在导入任何数据之前，您需要了解手头的数据情况，以及这些数据应如何存储在 IRIS 中。

正因如此，我开发了iris-kaggle-loader。它允许您探索数据集、检查其结构、审查导入方案，并将数据加载到 IRIS 中。您可以通过 Web 界面，或借助 ObjectScript、SQL、REST 和 Python 进行操作。即使没有 Kaggle 账户，您也可以处理公开的数据集。

本文将通过一个真实数据集进行演示，并重点说明其中最费思量的部分。

Kaggle 的独特之处

在编写任何代码之前，我列出了 Hugging Face 加载器无需处理的内容：

• 文件，而非数据分割。一个数据集可能同时包含 CSV、TSV、Parquet、JSON、JSON Lines 和 Excel 文件，此外还有完全无法导入的图像和 PDF 文件。
• 相关表。许多数据集实际上是一个分散在多个文件中的小型数据库。
• CSV 中没有数据类型。每个列的数据类型都必须根据其值来确定。
• 超大文件。有些文件大小达几千兆字节，而你通常只想提取前几千行来尝试一些操作。
• 版本编号。

在这篇文章中，我让 Claude Code 根据三条通俗易懂的英文提示，在我的 IRIS 实例上构建了一个 LLM 配置、一个代理、一个工具和一项技能，然后我自己对结果进行了验证。以下两个社区项目使这一切成为可能：

• iris-agentic-dev是一个 MCP 服务器和命令行工具（CLI），它为 Claude Code、VS Code + Copilot、Cursor 或任何其他 MCP 客户端提供了 90 多种 IRIS 工具：读取类、编写和编译代码，以及在运行中的实例上执行 ObjectScript 和 SQL。
• iris-ai-hub是随其附带的一项技能。它会告知助手 AI Hub 文档的位置，指示其在编写任何代码前先读取已安装的 %AI 类，并列出 AI Hub 的相关事实。

开始之前我已准备好的环境

本文仅讨论构建过程。我已在实例上配置了以下内容：

本文介绍的是 v1.0.0 版本，即本文撰写时的公开发布版本。

当 HL7 传输失败时，必须有人决定是否重发。如果重发过期的传输数据，就会覆盖更新的数据；如果保留当前数据，患者在另一系统的屏幕上就会被显示在错误的病床上。Shutter 将每次传输失败都转化为一个案例。 由 IRIS AI Hub 代理组成的委员会会读取密封证据并提出处理建议。一个确定性门控机制会核查该方案。最终由人工或该机构自身的书面政策予以批准。随后，Shutter 执行一次有条件写入操作，并在接收系统的收据和历史记录中进行验证。 恢复写入需要通过门控并获得批准。之前的预演仍信任接收方会遵守 dry_run：如果接收方当时进行了写入，Shutter 就无法撤销该操作。

Shutter 是我参加“互操作性工作流中的 AI 代理”竞赛的参赛作品。本文按照 InterSystems 的顺序，涵盖了竞赛的四个主题：AI Hub 体验、模型与成本、追踪以及 IRIS Agentic Dev。

AI Hub 体验

此处所有内容均基于构建版本 2026.3.0AI.154.0 进行测试。在 2027.1.0AI.109.0 版本（即早期访问门户自 11 月 2 日起提供的构建版本）中，我重新检查了配置存储描述符，包括 %LogExecution、的三个参数、基础的以及缺失的IPM：这些均保持不变。

只有当测试证明某个研究步骤已完成时，实验室才会为此支付费用。

Knos 助力研究跨越“死亡谷”。

仅限模拟资金。本文探讨的是，当 InterSystems IRIS 平台内的人工智能代理读取证明时，其中一项验证的成本是多少。

在让智能代理协助做出任何涉及资金的决策之前，实验室会向我提出两个问题：每项决策的成本是多少？这个数字从何而来？在 IRIS 上的 Knos 中，答案来自对生产环境自身消息的 SQL 查询。

这个数字从何而来？决策的每一步都是决策自身会话中的一条互操作性消息，即 Knos.Iris.Msg.Span。因此，它会在 Visual Trace 中与证明和裁决结果并列显示。 相同的行会被记录到一张表中，即 Knos_Iris_Data.Span，其中包含 Model、 、 、 和 。没有任何事后估算：令牌数量即为模型给出的答案所报告的数值，而成本则是令牌数量乘以该模型的单价。

模型。该代理运行在 qwen2.5:1.5b-instruct 上，这是一个位于 IRIS 旁边的 Ollama 容器中的小型开源模型，通过 AI Hub 的 openai 提供商运行，无需密钥。 评估标准通过 snowflake-arctic-embed-s（3300 万个参数，384 个数值）以嵌入式 Python 形式实现。

测试结果。

大家好，

AI Hub 是 IRIS 的新组件，用于构建能够与您的数据和生产环境无缝协作的人工智能代理。代理即为一个类。 您可以为其提供指令、一组可调用的工具，以及可选的技能（仅在需要时加载的额外指令）和可供搜索的知识库。随后，它将进入循环运行：模型请求工具，IRIS 执行您的 ObjectScript 方法，结果返回给模型，如此循环往复，直至模型给出答案。 策略决定代理可以使用哪些工具，并可记录每次调用。会话会将整个对话记录在 IRIS 中，因此您可以稍后打开它，查看代理为何会给出这样的回答。

互操作性是应用此方案的天然首选场景。每个生产环境都会出现消息发送失败的情况，而每条失败的消息都像是一道小谜题，需要人工阅读、理解并修复。只要您能控制代理的权限范围，这正是代理可以协助完成的工作。

本文将展示正确构建该系统后的实际效果。这是我参加 InterSystems 编程大赛的参赛作品iris-agentic-production：一个 AI Hub 代理，用于在 IRIS 生产环境中对失败的 HL7 实验室消息进行分诊，并附带一个用于构建和添加自定义代理的工作台。 我将按照您今天安装后所看到的界面，逐屏为您详细讲解。第二篇文章将提供分步教程，指导您亲自构建同类系统。

应用程序的功能

凌晨2点，一条实验室结果在接口引擎中出现错误。可能是时间戳格式不正确，或者某个本地检测代码从未映射到LOINC。

大家好，

上一篇文章介绍了FlightDeck的功能。本文将探讨在开发过程中发现的发现，无论您是否关注我的应用程序，其中大部分内容都很有用，因为这涉及平台本身。

InterSystems 在本次竞赛中发布了 SysAdmin API 规范：/api/admin，190 个路径，273 个操作，六个域。全面覆盖这些内容时，我发现了一些规范中未提及的问题，同时也获得了一项关于我自身代码的测量结果——我宁愿将其公布于众，也不愿隐瞒。

规范存在缺失的三个方面

**没有日志端点。**竞赛要求提供“所有日志，即各个子系统向用户报告的内容”。对全部 190 个路径进行搜索后，只发现了审计日志和日志文件，别无其他。 没有 messages.log，没有警报，也没有互操作性事件日志。任何想要妥善覆盖该领域的人，都必须编写原生提供程序。

其中有一项是我刻意没有实现的。日志会向每位用户隐藏其无权读取的数据库记录。若要原生重构该功能，就意味着需要在 IRIS 之外决定授权规则，因此源代码会以该理由显示为不可用，而非出现细微的错误。一个经过选择并明确说明的限制，比事后才发现的限制更有价值。

社区版镜像不提供 v2 服务。intersystemsdc/iris-community:latest 是 2026.1 维护分支，仅支持版本 1。

初次接触 ObjectScript 确实令人兴奋，但如果你习惯了其他编程语言，可能会觉得它有些不同寻常。许多初学者都会遇到同样的障碍，因此这里列出了一些需要注意的“陷阱”。（还有一些友好的建议，帮助你避免这些陷阱）

随意命名

我们都曾有过这样的经历：为了尽快推进工作，把某个东西命名为 Test1 或 MyClass。但一旦项目规模扩大，这些名称就会变成一场噩梦。 

➡ 从一开始就选择清晰、一致的命名。不妨将其视为给未来的自己和团队成员留下的“面包屑”。

混淆全局变量与局部变量

全局变量（^GlobalName）起初可能会让人感到困惑。它们不仅仅是普通的变量。它们存在于数据库中，即使代码停止运行后仍会保留。

➡ 仅在真正需要持久化数据时才使用它们。其他情况下，请坚持使用局部变量。（这也能节省存储空间。）

忽略事务

试想一下，你在更新患者记录时，会话却中途崩溃了。如果没有事务，你将只得到半成品的数据。

➡ 将重要的更新操作封装在 TSTART/TCOMMIT 中。这就像同时点击“保存”和“撤销”一样。

在字符串中构建 SQL

直接将 SQL 嵌入字符串中并执行虽然很诱人，但很快就会变得混乱且难以调试。

➡ 使用嵌入式 SQL。它更简洁、更安全，也更容易维护。

Knos 帮助研究项目跨越“死亡谷”。这意味着，只有当测试证明某个研究步骤已完成时，实验室才会为此步骤支付费用。我是在 InterSystems IRIS 中构建了负责验证该证明的组件。以下是其工作原理，以及如何通过四条命令进行尝试。

举个例子。某家医院实验室出资支持一家初创公司，为其检测试剂盒搭建在线商店。第一步的120美元资金将在商店结账响应时间低于300毫秒时支付，该响应时间由初创公司自己的GitHub测试进行测量。测试通过。 IRIS 中的 AI 代理读取结果并给出“是”的答复。由于金额超过 50 美元，实验室的审批人点击“批准”，该步骤便以虚拟货币支付。测试失败则不会支付任何款项。

为何要设计一个只能说“不”的AI？实验室不能允许模型向任何人付款。因此，我的代理没有转移资金的工具。它最坏的情况就是本不该批准时却批准了，但此时仍有一条书面规则和一个人作为障碍。

只需四条命令即可尝试。你需要 Docker 以及来自 InterSystems 早期访问门户的 AI Hub 镜像文件（版本 154）。

git clone https://github.com/drexthealpha/Knos && cd Knos/iris
bash scripts/load-image.sh ~/Downloads/irishealth-community-2026.3.0AI.154.0-docker.tar.gz
bash scripts/env-secrets.sh && docker compose up -d --build
bash scripts/ready.sh

每个医院集成引擎都有一个失败消息队列。其中大部分只需重新发送即可。但其中也有少数是因系统故障而滞留的关键实验室结果，或是即将发送给错误患者的数据。在凌晨3点区分这些情况才是难点。

Interop Medic 能在 InterSystems IRIS 内部完成这种分诊工作。这是我参加“互操作性工作流中的 AI 代理”竞赛的参赛作品，基于 AI Hub 早期访问版（版本 154）构建。 对于每条失败的 HL7 v2 或 FHIR 消息，它会决定采取五种操作之一：重发、修复后重发、重新路由、隔离或上报。

本文将介绍其工作原理、实际记录显示的情况，以及这些记录所引发的政策变更。

无需安装，直接在浏览器中体验：运行录屏回放

代码：GitHub·视频：[YouTube 制作中] ·Open Exchange：interop-medic-ai-hub

工作原理

整个处理流程是典型的互操作性生产环境：

1. 首先由快速决策模型给出响应。Jev、Nimble 或 Inception 的 Mercury 会提供一个操作建议及其置信度。
2. 一个闸门会验证该响应。如果置信度较低、严重程度较高，或者该案例属于转诊情况，则将任务转交给人工客服。
3. AI Hub %AI.Agent 负责核查事实。它通过 IRIS Vector Search 检索历史决策，验证 HL7 数据，查询路由表并读取端点的队列。

一项实验室检测结果可能是一个完全有效的 HL7 消息，但传输起来仍可能存在安全隐患。本文介绍了我是如何构建CareBridge AI 的——这是一个基于 InterSystems IRIS for Health 的互操作性解决方案，其中IRIS AI Hub 代理负责排查异常，而确定性策略闸门则决定实际应采取的行动。 这是我参加*“互操作性工作流中的AI代理*”竞赛的参赛作品。

• 源代码（仅限 GNU AGPL-3.0 许可）：https://github.com/shaileshvats/carebridge-ai
• 演示视频（3:24，真实应用画面）：https://www.youtube.com/watch?v=w-1bHYc1eEM（无需登录的 MP4 下载链接：https://github.com/shaileshvats/carebridge-ai/raw/v1.0.0/docs/demo/carebridge-demo.mp4）
• 竞赛：https://community.intersystems.com/post/intersystems-programming-contest-ai-agents-interoperability-workflows
• 已在 AI Hub 早期访问社区2027.1.0AI.109.

引言

最近新增的FIFO组功能，使得在互操作性生产环境中，即使池大小（Pool Size）大于1，也能保持先入先出（FIFO）模式的消息处理，从而在不牺牲准确性的前提下提升性能。 该功能首次出现在 InterSystems IRIS® 数据平台、InterSystems IRIS® for Health 以及 InterSystems Health Connect™ 的 2025.3 及更高版本中。

先进先出模式的消息处理在许多集成场景中至关重要，尤其是在医疗保健领域。传统上，通过将每个业务主机配置为每次仅处理一条消息（Pool Size = 1）来实现 FIFO 顺序。 尽管这种方法很有效，但可能会限制吞吐量并导致系统资源利用率不足。FIFO 组可在必要时保持 FIFO 顺序，而无需强制将 Pool Size 设置为 1。

这是我的SQLgateway系列文章的第6篇。作为InterSystems的产品，Caché
，自然成了一个相当自然的选择。除了其他技术之外，SQLgateway还提供了
多种迁移至 IRIS 的途径之一。如果只是部分
且需要反复更新

这次，获取正确的JDBC驱动程序非常容易，因为它已包含在安装包中。
 相关文档内容详尽且清晰。 

注意：
要与 Caché 建立网络连接，您需要相应的许可证。
Caché 默认仅支持单用户且不支持网络连接。 
请添加有效的许可证，并在 /cache/Dockerfile 中启用复制功能。

构建完成后，容器运行完美，迁移过程
十分顺利。DDL 版本方面未出现任何问题。我使用默认的 SAMPLES 命名空间
作为数据源。此外，您还有丰富的选择。

但与其他所有情况一样，请注意跨依赖关系。

警告：这只是经典技术
——IRIS仅支持SQL、Java和ISOS 
——没有机器学习、没有人工智能、没有 Python，也没有其他花哨的工具。
您可能会期待看到更多关于 SQLgateway 的演示。

这是我的SQLgateway系列文章的第7篇。 
最后但同样重要的是，作为 InterSystems 旗下产品，IRIS 本身也自然而然地成为了目标。 
除了其他变体外，SQLgateway 还提供了一种与 
。无论是部分迁移，还是需要 
重复更新（归档？）

这次，获取正确的JDBC驱动程序非常容易，因为它已包含在安装包中。
 相关的文档内容详尽且清晰。 

我面临的主要挑战是让 Docker-Compose 运行同一个 Docker 构建
，但需要使用不同的配置——这些配置必须在容器启动时进行设置。

我使用了Caché-SAMPLES中广为人知的Sample.*类子集 
中广为人知的 Sample.* 类的一个子集，并控制其规模适中，以确保启动和测试速度达到可接受的水平。

按要求配置完成后，容器运行完美，模拟的
“迁移”过程十分顺利。DDL 版本无问题，也无依赖关系问题。

警告：这只是经典技术
——仅使用 SQL、Java 和 ISOS 的 IRIS 
——没有机器学习、没有人工智能、没有 Python，也没有其他花哨的工具。

这是我关于 IRIS SQLgateway 系列文章的最后一篇。

                         
在介绍了7个将DB_Migration迁移到IRIS的示例后，我实在忍不住将 
将围绕 IRIS 的各个独立包整合到一个包中。
将8个容器整合到1个 Docker-Compose 文件中，感觉就像驾驶一辆八缸发动机汽车一样。

• sqlgateway-magnificent-7 > IRiS1
• 1 个 oracle21c
• 2 个 MySQL
• 3 个 PostgreSQL
• 4 IBM DB2
• 5 MS SQL
• 6 Caché
• 7 IRIS2

各个映射的同步是最大的挑战。
其次是提供的测试数据量。下载部分
GB数据的下载过程令人煎熬，还引发了一些麻烦。

再次衷心感谢@Yuri Marx提供的这套出色的数据集。
测试系列与独立软件包中的完全一致
可能只有IP端口发生了变化。尝试连接其他数据库是一次有趣的体验
接触其他数据库。MSSQL 带来了最多的麻烦。
提示：
此外，我的 Docker Desktop 在单个 Compose 文件中同时启动 8 个容器时似乎遇到了困难。
通过 Docker 控制台手动重启容器解决了该问题：
若缺少 Cache.Key，则需重建镜像或手动添加。

在我个人的评分中，IRIS 毫无疑问是赢家。 
你感到惊讶吗？

我之前关于SQLgateway 迁移的系列文章，是一篇篇幅较长的文章，介绍了
了可用的各种方案。不过它既不易操作，又难以追踪。
因此，我的挑战是：如何“吃掉一头大象”？>> 把它切成小块！！

我的目标是兼顾两点：既能独立创建每个容器，又能
同时支持一键构建整个集合。因此现在可以
在不影响其他容器的情况下修复单个容器的问题。

结果证明，这变成了一次关于 Docker 网络和脚本编写的实践，

• 每次执行 Docker-Compose Up 都会创建一个独立的网络。因此，与
  前面的示例那样简单地启动，也会生成8个彼此隔离的网络。
  解决方案：定义一个公共网络并将容器加入其中。
  现在 TCP/JDBC 可以找到服务器，而且我们再也不会遇到端口冲突了
• 为了启动所有容器而连续执行 8 次 `docker-compose up -d` 实在不太好玩 
• 解决方案：Docker Compose 提供了一个 INCLUDE 指令。只需点击一下，一切就搞定了。

include:   
  - ./iris1/docker-compose.yml   
  - ./cache/docker-compose.yml    
  - ./ibmDB2/docker-compose.yml   
  - ./iris2/docker-compose.yml    
  - ./MSsql/docker-compose.yml   
  - ./mysql/docker-compose.yml   
  - ./ORACLE/docker-compose.yml   
  - ./postgres/docker-compose.yml

通过邮件发送信息是网络中历史最悠久的技术之一
。邮件传输标准于1980年正式发布。
SMTP 代表简单邮件传输协议。
IRIS自诞生之初乃至更早之前就已支持SMTP。
随着时间的推移，各种功能不断演进，特别是与
安全、编码、身份验证、多部分邮件等方面……
相关文档在各个细节上都十分详尽。您可以在
类、方法、实用程序和示例。

本示例提供了一个非常简单的入门起点。
如果您要发送电子邮件，就需要一台能够接收邮件的 SMTP 服务器。
这可以是你选择的某个外部服务器，但同样，IRIS
已做好充分准备为您提供服务。互操作性功能可满足您的所有需求。
因此，该软件包为您提供了一个用于测试的最小规模生产环境。
该服务不会将数据写入真实的生产环境，而是将输入写入一个全局
，您可以立即查看。
因此，该演示程序可以在单个实例中运行，以发送和接收邮件。
提供了一个涵盖所有必要步骤的精简测试例程。

所有操作均通过一个包含 5 个操作的命令行会话进行控制

• do mail; 编写一封包含2行的简单邮件
  若需更多文本，请向字符流 %mail.TextData 中添加内容
  ，同时别忘了调整文本大小
• do start ; 启动 SMTP 服务器生产环境

  • 17:27:37.285:Ens.Director: Production 'mail.Receive' starting...
    17:27:37.332:Ens.Director: Production 'mail.Receive' started.1

IRIS 在处理和管理表格中的数据方面表现非常出色。
但正如您在标准包中所见，它在逻辑处理方面同样表现出色
分析、互操作性、所有与健康相关的处理，最重要的是，
来自我们全球合作伙伴的庞大应用程序集合。

所有这些应用程序都有一个共同的需求：
总有一些中小规模的信息需要处理，
，这些数据根本无法适应任何重复的表格结构。我常举的例子 
就是一串文本行，比如我从妻子那里收到的购物清单。

• 它具有有限的生命周期， 
• 维度有限， 
• 结构难以预测
• ，且每一条都是独一无二的作品 

将此类信息强行塞入表格是可行的，且这种情况经常发生。
但这种做法效率低下，特别是对于易变信息而言。

一种典型的做法是将信息保存在本地数组中：
但这可能会导致处理分区的内存达到极限。
因此，请将原始信息保存到一个全局数组中，该数组应采用与
处理机制的 GLOBAL 数组中保存原始信息。
这种方法速度很快，而且作为一名经验丰富的ObjectScript开发者，你会使用
“进程私有全局变量”（Process Private Global）来规避日志处理的开销
，一旦工作完成，它就会随你的进程一同消失，不留痕迹。

下一个挑战：  
由于处理过程可能耗时较长，可能会阻塞进程中的交互式
用户界面。那么，你可以将处理任务移交给一个 
后台作业，其优势在于可以预先选择要
：食品购物清单可能与园艺购物清单有所不同。
此时，您的“流程私有全局变量”将无法正常工作。它在后台环境中不可用。

OEX半持久化表中的前一个示例与一篇 
，该文发表于2020年， 题为《半持久类与表》，其内容 侧重于传统的 
存储模型，并通过间接引用实现存储全局变量的动态变更。
这种方法存在局限性和风险，而本文则避免了这些问题。  

基类（User.Common）是一个模板，可应用于
USER、CLERKS、CUSTOMERS、PPG……等类，这些类彼此独立
。 
区别在于：User.Common 类使用了[NoExtent]参数
，因此不包含存储定义。
随后，将在各个类中指定要使用的存储。 
现在，它是一个静态值，用于定义要使用的全局变量。 
而且这是一个非常简单的定义。例如：

Class User.USR Extends User.Common [ Not NoExtent ]
{
Parameter DEFAULTGLOBAL As STRING = "^USR";
}

其余所有工作均由编译器完成。
副作用：POPULATE 现在针对每个类/表都是特定的。

大家好

对于感兴趣的朋友，这里分享一个我在某个项目中使用的实现示例，该示例利用 pymongo 包实现了与 MongoDB 的互操作。

iris-mongodb

通过 pymongo 包实现 InterSystems IRIS 与 MongoDB 的互操作（包括出站适配器）

请务必导入pymongo包。

此处提供用于测试的实现示例

NAMESPACE> do ##class(custom.python.pymongo.test).TestMongoDBCrud()

为了实现互操作性，请在业务操作中使用以下适配器：

Parameter ADAPTER = "custom.python.pymongo.outboundAdapter";

Parameter INVOCATION = "Queue";

查询示例：

/// parameters: (dbName, collectionName, query, fields, sort, limit) => query, fields and sort are %DynamicObjects
/// resultset is an array of objects (%DynamicArray)
set resultset = ..Adapter.Query("mydb","mycollection", {"_id":(tId)})

InterSystems Reports 26.2 版本现已在 InterSystems 软件分发网站的“组件”部分发布。该软件以“InterSystems Reports Designer”和“InterSystems Reports Server”的名义列出，支持 macOS、Windows 和 Linux 操作系统。

此版本对通过 Reports Server 提供的 Page Studio 和 Web Studio 的焕新用户界面进行了进一步优化。（请参阅下文的许可更新。）其他增强功能包括通过 TrueType 字体扩展了字体支持，新增了 2D 条形码，以及来自我们的合作伙伴 insightsoftware 的众多修复、安全更新和其他增强功能。

InterSystems Reports 26.2 基于 Logi Report 26.2 Service Pack 2 构建。如需了解更多信息，请参阅 insightsoftware 提供的发布说明。

2026 年的许可更新

自 2026 年 1 月起，InterSystems 增加了对Page Report Studio和Web Report Studio 的访问权限。这些功能使客户能够直接在报告服务器上执行更多报告编辑操作，从而减少了许多报告设计任务对安装 Report Designer 的需求。

《Readback》是我参加 InterSystems 编程大赛*“互操作性工作流中的 AI 代理*”主题的参赛作品。 一个 InterSystems AI Hub 代理在 IRIS for Health 互操作性生产环境中对实验室结果进行分级处理。它可以将结果升级为“危急”级别，但绝不会将规则已判定为“危急”的结果降级，且在有人正确复核该数值之前，系统不会向任何人发送“危急”结果的通知。

通过构建该代理，我总结出的核心经验是：**规则保障安全，而代理负责解释。**我对此进行了测试，相关数据如下。

• Open Exchange：https://openexchange.intersystems.com/package/Readback
• 代码库：https://github.com/kcedd34/iris-readback
• 视频（3 分钟，带字幕）：https://youtu.be/ML2pBgBkqUo
• 实时演示（回放模式）：http://109.123.244.170/

问题

一项关键的实验室检测结果——例如钾离子浓度为6.9 mmol/L，或血红蛋白在一天内下降了4 g/dL——如果相关人员未能获知并复述该结果，那么这些数据便毫无用处。以下两个环节的失误至关重要：

• **遗漏：**危急结果被误报为正常。
• **开环：**通知已发出，但无人确认。

Hugging Face 提供了一个庞大的数据集集合，涵盖自然语言处理、分类、问答以及其他机器学习任务。要在 InterSystems IRIS 中使用这些数据集之一，开发人员通常需要下载该数据集，将其字段映射到 SQL 数据类型，创建表，并加载数据行。

iris-hf-import简化了这一流程。它允许您通过单个 ObjectScript 调用，将 Hugging Face 数据集导入到 IRIS SQL 表中。

该项目实现了Ideas Portal 中的 DPI-I-543 提案：将 Hugging Face 数据集加载到 IRIS 中，并为社区赏金计划的第三轮而创建。

导入数据集

安装包后，打开 IRIS 终端并运行：

write ##class(dc.hfloader.Loader).Load("hitorilabs/iris", "train")

该命令将加载数据集 hitorilabs/iris 的 train 分割集，创建目标表，并插入相关行。

在我的测试环境中，该调用返回了如下结果：

{
  "status": "success",
  "error": "",
  "dataset": "hitorilabs/iris",
  "config": "default",
  "split": "train",
  "table": "HFData.iris",
  "rowsWritten": 150,
  "columns": 5
}