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。

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。

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。