陷入困境

直到今年年初，我几乎没怎么做过编程工作——我已经厌倦了它。

在担任多年一线软件工程师和数据科学家后，我在2015年左右陷入了职业倦怠。我转而从事以“外部创新”为主的业务拓展角色，并于2019年加入InterSystems担任产品经理。我怀念编程的创造性，但并不怀念其中的枯燥乏味。无休止的样板代码编写、调试和上下文切换让我创意枯竭。就像电影《好好先生》（Yes Man)中金·凯瑞饰演的角色一样，我发现自己对新项目总是说“不”——以至于我换了职业！

然后，AI编程助手出现了。而我，成了对机器人说“好”的“好好先生”。

第一幕：狂热（“对一切都说好！”）

当我刚开始使用AI编程助手（先是Windsurf，然后是Cline，接着是Roo Code，现在是Claude Code，还尝试过opencode）时，感觉就像变魔术一样。自然语言 → 可运行的代码。我对每个建议、每个重构、几乎每个疯狂的想法都说“好”。

我第一个主要的AI辅助项目是几个月前启动的一个内部项目——为IRIS开发的一系列Python脚本和管道。我兴奋不已，让机器人尽情发挥： “添加这个功能！”——好！“重构那个模块！”——好！“让它可配置！”——好！“添加更多集成！”——好！

创意的能量回来了。代码如泉涌。我又感到自己高效了起来。

然后，我的实习生——一名软件工程专业的学生——查看了代码库。

他并不满意。

Embeddedpy-bridge：嵌入式 Python 工具包

概述

嵌入式 Python改变了 InterSystems IRIS 的游戏规则，可直接在数据库中访问庞大的 Python 生态系统。但是，在 ObjectScript 和 Python 之间架起桥梁有时会让人感觉像是在两个不同的世界之间转换。

为了实现这种无缝过渡，请使用embeddedpy-bridge。

该软件包是一个以开发人员为中心的实用工具包，旨在为嵌入式 Python 提供高级 ObjectScript 封装、熟悉的语法和强大的错误处理功能。它允许开发人员使用他们已经熟悉的本地 IRIS 模式与 Python 数据结构交互。

挑战

虽然 %SYS.Python 库功能强大，但开发人员经常面临一些障碍：

1. 处理代理：使用原始代理浏览 Python 列表和字典对于 ObjectScript 来说并不 "原生"。
2. 迭代：标准 ObjectScript While 循环无法与 Python 迭代器进行本地 "对话"。
3. 命名空间管理：确保 Python 实用程序在整个系统中可用。

解决方案：embeddedpy-bridge

我的目标是创建一个 "桥梁"，让 Python 感觉像是 ObjectScript 中的一等公民。

主要功能

• py 前缀约定：%ZPython.

如何使用 LangGraph 构建应用程序：分步指南

标签#LangGraph#LangChain#AI#代理#Python#LLM#状态管理#工作流

大家好，我想向大家介绍一下我正在研究和开发的工具 LangGraph。

基本上，传统的人工智能应用程序在处理复杂的工作流和动态状态时经常面临挑战。LangGraph提供了一个强大的解决方案，可以创建有状态的代理，管理复杂的对话，做出基于上下文的决策，并执行复杂的工作流。

本文提供了使用LangGraph 构建应用程序的分步指南，LangGraph 是一个用于创建具有状态图的多步骤代理的框架。

实施步骤：

1. 设置环境和安装依赖项
2. 定义应用程序状态
3. 创建图节点
4. 配置状态图
5. 运行代理

1.设置环境并安装依赖项

第一步是设置 Python 环境并安装必要的库：

pip install langgraph langchain langchain-openai

配置 API 凭据：

import os
from langchain_openai import ChatOpenAI

# Configure your API Key
os.

大家好！

我很高兴地宣布，自今年年初以来，我们已将 InterSystems IRIS、InterSystems IRIS for Health 和 Health Connect 的许多客户端 SDK 发布到相应的外部存储库（Maven、NuGet、npm 和 PyPI）中。这将为您带来许多好处，例如：

• 您可以在客户端 SDK 发布后立即访问其最新版本，而不受 InterSystems IRIS 发布周期的影响。
• 您可以将 SDK 作为依赖项与生态系统中的本地软件包管理器工具集成，并以行业标准的方式管理依赖项
• 终端用户可直接访问 SDK，例如，当他们希望通过 DBeaver 等 SQL 工具直接访问数据库层时。
• 您可以发布依赖于 InterSystems 客户端 SDK 的项目，而无需将其直接包含在您的项目中。

以下是我们目前已发布的客户端 SDK 的列表，以及最新版本的相应版本号和查找位置：

Java

我们非常高兴地宣布， IntegratedML Custom Models（集成式机器学习自定义模型）抢先体验计划即将开启，这是 IRIS 2026.1 版本中即将推出的一项强大新功能！

这是什么？

IntegratedML Custom Model扩展了现有的IntegratedML/AutoML（集成式机器学习/自动化机器学习）功能，支持您直接在 SQL 查询中部署自己的自定义 Python 机器学习模型。IntegratedML AutoML功能提供自动化机器学习服务，而Custom Model（自定义模型）则赋予您完全的控制权——自定义预处理、任意与 scikit-learn 兼容的模型，以及 Prophet 或 LightGBM 等第三方库——所有操作均在数据库内执行，无需数据移动。

为什么这很重要

• 完全掌控：编写自定义预处理、特征工程和模型训练逻辑。
• 熟悉的 SQL 界面：使用熟悉的 CREATE MODEL、TRAIN MODEL 和 PREDICT() 命令。
• 数据库内执行：无需数据导出/导入循环，对实时数据进行实时预测。
• 与AutoML协同工作：针对每个用例使用合适的工具——自动化机器学习用于快速建模，自定义模型用于高级场景。

我很清楚对于那些完全不熟悉 VS Code、Git、Docker、FHIR 和其他工具的人来说，设置环境时会遇到一些困难。 所以我决定写这篇文章，详细介绍整个设置过程，以便大家能够轻松上手。

如果您能在本文最后留下评论，告诉我说明是否清楚，是否有遗漏，或者是否有其他您觉得有用的东西，我将不胜感激。

设置包括：

✅ VS Code – 代码编辑器
✅ Git – 版本控制系统
✅ Docker – 运行 IRIS for Health Community 的实例
✅ VS Code REST 客户端扩展程序 – 用于运行 FHIR API 查询
✅ Python – 用于编写基于 FHIR 的脚本
✅ Jupyter Notebook – 用于 AI 和 FHIR 任务

准备工作：确保您在系统上拥有管理员权限。

除了阅读本指南，您还可以按照视频中的步骤操作：

如果您是 Windows 系统（请注意：原文是YouTube视频，请跳转至EN原帖查看）

Interoperability on Python (IoP) 是一个概念验证项目，旨在展示与 Python 优先方式相结合时 InterSystems IRIS Interoperability Framework 的强大功能。IoP 利用Embedded Python（嵌入式 Python，InterSystems IRIS 的一个功能）使开发者能够用 Python 编写互操作性组件，从而可以与强大的 IRIS 平台无缝集成。本指南专为初学者编写，全面介绍了 IoP、其设置以及创建第一个互操作性组件的操作步骤。 阅读完本文，您将能够清楚地了解如何使用 IoP 构建可扩缩、基于 Python 的互操作性解决方案。

学习如何使用 LangGraph 设计结合了推理、矢量搜索和工具集成的可扩缩自主 AI 智能体。

概括

• AI 智能体是一种超越简单的聊天机器人的自主系统，它结合了记忆库、上下文，并具有自动完成任务的主动性。
• LangGraph 是一种框架，它使我们能够利用具有内置状态管理的节点（任务）和边缘（连接），构建复杂的 AI 工作流。
• 本指南将指导您构建 AI 赋能的客户支持智能体，该智能体可以划分优先级，识别相关主题，并确定是上报还是自动回复。

那么，AI 智能体究竟是什么？

让我们直面它吧 —“AI 智能体”听起来就像可以接管会议室的机器人。 实际上，它们是您得力的助手，可以简化复杂的工作流，消除重复性任务。 您可以把它们看作是聊天机器人的下一个进化阶段：它们不只是简单地等待提示；它们可以发起行动，协调多个步骤，并随时进行调整。

过去，打造一个“智能”系统意味着兼顾语言理解、代码生成、数据查找等各种不同的模型，然后将它们粘合在一起。 您的一半时间花在了集成上，另一半时间则花在了调试上。

智能体彻底颠覆了这一切。 它们将上下文、主动性和适应性融合在一个精心编排的流程中。 它们不仅实现了自动化，更是肩负使命的智者。 借助 LangGraph 之类的框架，我相信，组建一支自己的智能体团队实际上会很有趣。

LangGraph 究竟是什么？

在本节中，我们将探讨如何在 IRIS 中使用 Python 作为主要编程语言，在使用 Python 编写应用程序逻辑的同时仍能利用 IRIS 的强大功能。

• IRIS 中的 Python 优先方式简介
  • 使用方法 (irispython)
    • 什么是 irispython？
    • irispython 使用示例
    • 优点
    • 缺点
    • 结论
  • 使用 WSGI
    • 使用方法
    • WSGI 使用示例
    • 优点
    • 缺点
    • 结论
  • DB-API
    • 使用方法
    • DB-API 使用示例
    • 优点
    • 缺点
    • 备选方案
    • 结论
  • Notebook
    • 使用方法
    • Notebook 使用示例
    • 优点
    • 缺点
    • 结论
• 补充部分
  • 使用原生解释器（无 irispython）
    • 使用方法
    • 优点
    • 缺点
  • DB-API 社区版
    • 使用方法
    • DB-API 使用示例
    • 优点
    • 缺点
  • 在 IRIS 中调试 Python 代码
    • 使用方法
    • 优点
    • 缺点
    • 结论
  • IoP（基于 Python 的互操作性）
• 结论

您知道当您拿到验血结果时一切看起来都像天书的那种感觉吗？ 这就是 FHIRInsight 要解决的问题。 它最初的理念是，医疗数据不应该令人恐惧或困惑 – 它应该是我们所有人都能使用的东西。 验血是健康检查中十分常见的检查，但说实话，大多数人都很难理解它们，有时甚至对不擅长实验室工作的医务人员来说也是如此。 FHIRInsight 希望整个过程能够变得更简单，信息更富有实用价值。

🤖我们为什么要构建 FHIRInsight

这一切都始于一个简单而有力的问题：

“为什么验血结果仍然很难读懂 — 有时甚至对医生来说也是如此？”

如果您看过化验结果，您可能会看到一大堆数字、隐晦的缩写和“参考范围”，这些可能适用于您的年龄、性别或身体状况，也可能不适用。 毫无疑问，它是一种诊断工具，但如果没有背景信息，它就变成了一个猜谜游戏。 即使是经验丰富的医疗保健专业人员有时也需要交叉参考指导方针、研究论文或专家意见才能理解所有内容。

这正是 FHIRInsight 的用武之地。

我们不只是为患者而构建，也为一线医护人员而构建。 为轮流值班的医生，为捕捉生命体征细微变化的护士，为每一位试图在有限的时间和巨大的责任下做出正确决定的医护人员而构建。 我们的目标是让他们的工作简单一点，将密集的临床 FHIR 数据转化为清晰、有用、以真正的医学科学为基础的东西， 讲人类语言的东西。

Hi 大家好
在本文中,我讲介绍我的应用 iris-AgenticAI .

代理式人工智能的兴起标志着人工智能与世界互动方式的变革性飞跃--从静态响应转变为动态、目标驱动的问题解决方式。参看 OpenAI’s Agentic SDK ,  OpenAI Agents SDK使您能够在一个轻量级、易用且抽象程度极低的软件包中构建代理人工智能应用程序。它是我们之前的代理实验 Swarm 的生产就绪升级版。

该应用展示了下一代自主人工智能系统，这些系统能够进行推理、协作，并以类似人类的适应能力执行复杂任务。

应用功能

• Agent Loop 🔄 一个内置循环，可自主管理工具的执行，将结果发回 LLM，并迭代直至任务完成。
• Python-First 🐍 利用本地 Python 语法（装饰器、生成器等）来协调和连锁代理，而无需外部 DSL。
• Handoffs 🤝 通过在专业代理之间委派任务，无缝协调多代理工作流程。
• Function Tools ⚒️ 用 @tool 修饰任何 Python 函数，可立即将其集成到代理的工具包中。
• Vector Search (RAG) 🧠 原生集成向量存储（IRIS），用于 RAG 检索。
• Tracing 🔍 内置跟踪功能，可实时可视化、调试和监控代理工作流（想想 LangSmith 的替代方案）。
• MCP Servers 🌐 通过 stdio 和 HTTP 支持模型上下文协议（MCP），实现跨进程代理通信。
• Chainlit UI 🖥️ 集成 Chainlit 框架，可使用最少的代码构建交互式聊天界面。
• Stateful Memory 🧠 跨会话保存聊天历史、上下文和代理状态，以实现连续性和长期任务。