#Python

0 关注者 · 93 帖子

Python 是一种用于通用编程的解释性高级编程语言。Python 由 Guido van Rossum 创建并于 1991 年首次发布,其设计理念强调代码的可读性,特别是使用大量的空白

官方网站。

InterSystems Python。

文章 Nicky Zhu · 十一月 10 13m read

IRIS Production 可以成功生成、编译并启动,但集成仍可能出错:映射可能产生错误值;消息完成不一定代表预期数据已正确落地;组件也可能因为许可调度而存在于 Production 中却处于停用状态。

承接上一篇《从组件拓扑到 IRIS Production:生成、编译与启动》,作为主线系列的收尾篇,本文讨论生成之后如何解读验证证据、平台如何响应检查结果,以及管道如何在长期运行中保持可管理。本文不再逐步讲解常规消息处理过程。

1. “已生成”不等于“能正常工作”

我们经常把几个不同的问题混为一谈:

  • 拓扑中是否包含管道所需的组件和关系?
  • IRIS 是否加载并编译了 Production 定义?
  • Production 是否正在运行,这条管道的组件是否启用?
  • 相关消息是否正常流转,没有运行错误?
  • 目标端是否出现预期结果,而且值正确?

每个问题都需要各自的证据。某一层的检查通过固然有用,却不能替代下一层的检查。编译成功无法证明映射在业务语义上正确;Production 正在运行无法证明源端已经产生消息;消息已完成也无法证明每个目标值都正确。

验证证据是分层的:每项检查回答不同的问题

图 1:证据从定义有效性逐渐深入到目标数据观察;任何单一层都不足以证明端到端正确。

2. 验证不是一个绿灯,而是一组检查

生成链路会汇总一份事实验证报告。根据管道类型和可用证据,报告可能包含:

  1. 拓扑:预期的组件类型与关系是否存在?
0
0 12
文章 cheng yu · 十一月 6 19m read

我每天都在使用嵌入式 Python,至今已有两年多了。 也许现在是时候分享一下这段经历的感想了。

为什么要写这篇心得?因为,我想,我和这里的大多数人一样,都是一名ObjectScript开发者,而且我认为这些心得能给社区带来帮助,让大家更好地了解在IRIS中选择嵌入式Python进行开发所涉及的利弊,同时也避免一些陷阱。

image

引言

我自2010年起从事开发工作,自2013年起开始使用ObjectScript。

0
0 14
文章 cheng yu · 十一月 6 8m read

https://media.giphy.com/media/Nxu57gIbNuYOQ/giphy.gif

别急,别急,我可不是在鼓吹那种科幻片里常见的“反机器战争”,为了阻止奥创或天网统治世界。 还没到那一步,还没到那一步 🤔

我邀请大家通过使用 ObjectScript 并嵌入 Python 来制作一款非常简单的游戏,以此向机器发起挑战。

我必须说,InterSystems IRIS 上的“嵌入式 Python”功能让我超级兴奋,它为创建精彩的应用打开了无数可能性,简直令人难以置信。

让我们来制作一个井字棋游戏吧,规则非常简单,我相信大家都知道怎么玩。

在孩子们还没有手机或平板电脑的年代,正是这个游戏让我在童年时期与家人长途驾车旅行时免于无聊——没有什么比在模糊的车窗玻璃上挑战兄弟姐妹来几局更让人乐在其中的了。

所以,系好安全带,我们开始吧!

规则

如前所述,规则非常简单:

  • 每局仅限2名玩家
  • 在3×3的网格上轮流下棋
  • 人类玩家始终代表字母X,电脑代表字母O
  • 玩家只能将字母填入空格中
  • 最先在水平、垂直或对角线上连成3个相同字母的一方获胜
  • 当9个空格全部被填满时,即为平局,比赛结束

所有机制和规则都将用ObjectScript编写,而电脑玩家的机制将用Python编写。

让我们动手实践吧

我们将通过一个全局变量来控制棋盘,其中每一行对应一个节点,每一列对应一枚棋子。

0
0 11
文章 cheng yu · 十一月 6 6m read

Prettier 适用于 ObjectScript

如果您在 JavaScript 或 TypeScript 代码中使用Prettier,现在也可以将其用于 ObjectScript 了。prettier-plugin-objectscript是一个 Prettier 插件,可对类(.cls)、例程(.mac, .int)以及包含文件()。

前后对比

该插件使用tree-sitter-objectscript 的语法规则、用于类的 UDL 语法以及用于例程和包含文件的例程语法来解析文件,并通过 Prettier 3 进行格式化输出。语法规则的选用依据文件扩展名、命令行参数以及 VS Code 中的设置。以以下类为例:

Class Demo.Greeter Extends %RegisteredObject {
Property Name As %String [Required];

/// Returns a greeting for the given name.
ClassMethod Greet(name As %String="world",times As %Integer=1) As %String [ Private ]
{
 s result=""
 f i=1:1:times {
 s result=result_"Hello, "_name_"! "
 }
 q:name="" "nobody"
 i times>1 { w "Greeted ",times," times",! }
 q result
}
}
0
0 16
文章 cheng yu · 十一月 5 10m read

人工智能代理即使出错,依然可能很有用

回复丢失了,但变更依然生效。我觉得我以前遇到过这种情况。

一个管理请求可以成功到达 InterSystems IRIS,修改配置,但在返回途中丢失了响应。操作员看到一条错误提示,但配置变更实际上已经生效。如果软件将无响应视为失败并重新发送请求,那么自动化反而会引发下一起故障事件。

这一切始于“请求超时。IRIS 是否已更改?”。首要任务是让不确定性保持可见,并防止因回复丢失而导致重复操作。现在,我们要求代理协助调查这种不确定性,同时仍坚持对证据的相同要求。

在《让创造力引领》一文中 让执行可追溯》一文中,我曾探讨如何在给予人员和代理创新空间的同时,确保最终工作结果能经得起证据检验。在那一阶段,Battery 已具备合成演示环境和经过测试的实时只读连接。下一步是进行真实的配置变更,通过原生 AI Hub 进行审查,并找出我们的信心超前于实际实现的环节。

这就是接下来的这一步。代理出错了,我们的代码也出错了。但我们继续前行。

这正是我希望Armada Battery去面对的问题。我打算通过让机器对其行为负责来取得成功。这当然不是什么特殊的设计难题,但很少有人会将此视为一项耀眼的成就。这是一个值得坚守的真理:怀疑并非弱点。批判性的眼光比盲目的崇拜更有价值。

那个比响应更持久的变更

我们的联机测试使用了 IRIS AI Hub EAP 109 版的一次性安装环境。

0
0 19
文章 cheng yu · 十一月 3 24m read

什么是微服务?

微服务是一种架构风格,它将应用程序结构化为一组小型、自治的服务。每个组件围绕特定的业务能力进行开发,可以独立部署,通常由一个小型、专业化且自主管理的团队负责管理。(来源:https://microservices.io/)

0
0 13
文章 pan John · 十月 28 16m read

为什么同一个人有两条记录,名字却不同?当相似的记录包含相互冲突的标识符时,系统应如何处理?当关键信息缺失时,系统应给出建议,还是应向来源方索取更多证据?

这些问题促使我开发了“患者身份冲突审查助手”。我希望在互操作性工作流中嵌入一个人工智能代理,供人工审查并可随时暂停。该代理负责收集证据并推荐处理方案;而人工审查员则负责授权记录之间的关联。

该应用程序使用了InterSystems IRIS Community AI Hub EAP 版本 154 中的原生 ObjectScript SDK。本文描述的是 pi-review1.1.0版本(提交编号 ab53930)。 所有案例和源数据均为合成数据,与任何医院均无关联。模型使用情况来自保存的实时呼叫记录。

项目链接:GitHub 代码库·Open Exchange 应用程序 (1.1.0)·带版本号的安装指南。下文所述的实现基于已固定的 1.1.0 源代码。

从一个缺失数据案例开始

合成案例 c6 最初缺少身份标识符和出生日期。一名操作员明确启动了调查。代理读取了该案例,验证了其来源,检索了治理规则,并返回了 NEEDS_DATA。随后,生产环境通过原生 MCP 请求了数据丰富处理。

当操作员获取数据丰富结果时,服务器在更新案例前检查了收据、来源范围和版本。随后,操作员显式地启动了另一项调查

0
1 28
文章 Nicky Zhu · 十月 15 8m read

连接测试可以告诉我们服务器有响应,数据库结构可以告诉我们某列名叫 Code。但仅凭这两点,我们仍不知道这个编码代表什么,也不知道它是否应该映射到某个目标字段。

可靠的数据集成设计,要从这里开始。在决定哪个源资产对应哪个目标、哪些组件应组成一条数据管道之前,我们需要先理解接口——不只是接口的结构,还要理解这些结构在具体场景中的含义。

本文介绍 DataPipelineDemo 在 InterSystems IRIS for Health 上如何处理这个问题。核心原则是语义优先:先理解接口表达的含义,再做映射与管道设计决策。

这里的“语义优先”指的是下游决策顺序,并不是先让 AI 凭空猜测、再去看接口。实际流程是先采集结构和运行事实,再由大语言模型(LLM)基于这些事实进行解释,最后将分析结果作为后续决策的上下文。

1. 端点可达,不等于接口已理解

连通性是必要条件,但它回答的问题很有限:当前应用能否访问这个端点?

它无法证明:

  • 某张源表或某类 FHIR 资源在业务领域中代表什么;
  • 某个字段是标识符、状态、编码值,还是显示名称;
  • 某个操作用于读取数据,还是用于接收并写入数据;
  • 端点是否支持增量读取或特定的投递机制;
  • 结构上合法的映射是否保留了原本想表达的业务含义。

这些问题不同,需要的证据也不同。

0
0 60
文章 Nicky Zhu · 十月 12 11m read

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。

1. 一个系统,三个阶段

整体链路可以概括为:

设计、运行与验证反馈

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。

2.

0
0 43
文章 Jeff Liu · 九月 28 19m read

正在进行的选举

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”。

Banner do TSE Public Data RAG Explorer

开放数据丰富,但要得出答案却并非易事

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。

基于官方证据的自然语言处理层

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。

0
0 57
文章 Lilian Huang · 九月 9 4m read

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。

为何推出该基准

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。

我们测量的内容

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。

总体结果

Overall accuracy by model with 95% bootstrap confidence intervals

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.

0
0 77
文章 Jeff Liu · 八月 11 10m read

借助 PollingBusinessService 提升开发者体验

4.0.0 版本中最引人注目的新增功能之一是 PollingBusinessService。

在此版本之前,创建定时 Python 业务服务意味着需要 直接处理低级入站适配器模式。在 4.0.0 版本中,定时 Python 入口点可以直接编写为 PollingBusinessService, 框架会在后台自动使用默认的 IRIS 入站适配器。

以下是一个完整的小型示例:

from dataclasses import dataclass

from iop import BusinessOperation, Message, PollingBusinessService, Production, target


@dataclass
class HelloRequest(Message):
    text: str = "Hello World"


class HelloService(PollingBusinessService):
    Output = target()

    def on_poll(self):
        self.send_request_async(self.Output, HelloRequest())


class HelloOperation(BusinessOperation):
    def on_message(self, request: HelloRequest):
        self.log_info(request.text)
        return request


prod = Production("HelloWorld.Production", testing_enabled=True)
service = prod.service("HelloService", HelloService)
operation = prod.operation("HelloOperation", HelloOperation)
service.connect(HelloService.Output, operation)

PRODUCTIONS = [prod]
0
0 95
文章 Jeff Liu · 七月 22 4m read

这一切始于我乘火车去看望父母的途中,当时我正和隔壁包厢的一位邻居聊天。像往常一样,话题转到了科技上,她抛出了一个非常具体的问题:“ChatGPT 能用来分析人类基因组吗?”我对它能否完成如此复杂的事情持高度怀疑态度。 但这个问题始终萦绕不去,深深扎根于我的脑海。等我踏进家门时,我的怀疑已经转变为一种挑战。 虽然手头没有基因组测序数据集,但我确实想看看标准的ChatGPT能否利用PyProd包从零开始构建一个可运行的互操作性生产环境。况且,这还能让我有机会参与“从构想到应用”社区赏金计划的第一轮,实现第三个创意。

0
0 116
文章 Nicky Zhu · 七月 15 4m read

项目链接

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。

0
0 105
文章 Nicky Zhu · 七月 15 5m read

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:

meta-llama/Llama-3.3-70B-Instruct

该项目为开源项目:

0
0 86
文章 Kelly Huang · 七月 13 1m read

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

0
0 92
文章 Kelly Huang · 七月 12 20m read

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。

0
0 137
文章 Lilian Huang · 七月 10 8m read

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。

0
0 98
文章 Kelly Huang · 七月 9 5m read

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。


0
0 157
文章 Claire Zheng · 七月 6 15m read

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?

image

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。

0
0 124
文章 Lilian Huang · 六月 21 4m read
0
0 185
文章 Claire Zheng · 六月 16 7m read

大家好,

你是否曾希望你的电子健康记录(EHR)能具备思考能力?不仅仅是显示数据,也不仅仅是触发警报。而是能够真正阅读病历、综合临床指南进行分析,并根据临床医生的单条信息,向系统生成结构化的转诊医嘱。

在本文中,我将向大家展示如何创建您自己的定制临床AI助手。


🏥 关于 iris-fhir-agents 应用

iris-fhir-agents是一个完全基于 InterSystems IRIS for Health 构建的多智能体临床 AI 平台

0
0 120
文章 Claire Zheng · 六月 16 7m read

大家好,

在本文中,我将介绍我的应用程序iris-fhir-agents 这是一个由 InterSystems IRIS for Health 驱动的多智能体临床 AI 平台。该平台包含用于分诊、专科会诊、用药安全以及 FHIR 服务器探索的智能体——所有功能均基于 IRIS Vector Search RAG 构建。 平台包含一个无代码代理构建器,让您无需编写任何代码即可设计和部署自定义临床代理。

0
0 103
文章 Nicky Zhu · 六月 10 5m read

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。
0
0 240
文章 Kelly Huang · 六月 8 8m read

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
0
0 122