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。

目录

1. 导言
2. 版本控制
3. 导出类
4. 导出 BI 分析类
5. 导出globals

简介。

本文将介绍如何通过 InterSystems 开发人员社区快速入门 Git 开发，以及使用 IRIS InterSystems 时的版本控制实践。我们将介绍需要导出互操作性类、global和分析元素（如立方体和仪表盘）的情况。这些场景包括 IRIS 的关键版本控制实践。

要开始学习，您需要

1. 注册并登录GitHub
2. 成为 Git 上intersystems-community组织的成员

开始使用 IRIS InterSystems 非常简单！

本文将讨论 Microsoft Visual Studio Code IDE中包含的所有调试工具 。

内容包括

• 断点
• 观察窗口
• 调用堆栈

让我们从了解调试要求开始！

前提条件

有两个插件（扩展）可用于调试 ObjectScript：

第一个是 InterSystems ObjectScript 扩展包的一部分 。第二个是 Serenji，它是一个独立的插件，提供编辑器、文件管理器和调试功能。这两个插件都可以从插件商店安装。要激活关键功能，Serenji 需要许可证。在本文中，我们将使用 InterSystems ObjectScript 扩展包来降低学习难度。在掌握基础知识后，您可以考虑购买 Serenji 的付费许可证。

在最近的竞赛中，看到更多的人在创建 VS Code 扩展程序，这令人鼓舞。不过我注意到，在三个需要使用凭据进行连接的扩展中，只有我的gj :: dataLoader 利用了历史悠久、官方支持的InterSystems Server Manager扩展来获取连接定义并安全地处理凭据。

在使用InterSystems 互操作性（Iris/Health Connect/Ensemble）时，配置数据通常分散在许多生产项目中：服务、流程、操作、适配器及其设置。

常见的操作或安全需求是回答以下问题：

• 哪些接口引用了文件系统路径？
• 目录、网络共享或绝对路径配置在哪里？
• 我能否在所有产品中快速审核或记录这些信息？

下面的 ObjectScript 工具正是通过将选定的配置设置导出到 CSV 文件来解决这个问题的。

该脚本

1. 循环浏览所有现有命名空间
2. 查询所有命名空间中的所有互操作性配置项(Ens_Config.Item)
3. 遍历每个项目的设置
4. 提取文件系统/URL 路径（包含 :、/ 或 \ 的值）
5. 将结果写入CSV 文件，按类别分组
6. 生成便于审计的输出，可在 Excel 中打开或与操作/安全团队共享

典型用例

当您需要时，应使用此实用程序：

• 🔍审计整个产品的文件系统使用情况
• 🛡审查安全风险（本地路径、网络共享、数据库连接）
• 📄记录迁移、升级或灾难恢复规划的配置
• 🔄比较环境（开发环境vs测试环境vs 生产环境）
• 🧹清理遗留或未使用的路径

这对使用许多接口和适配器的多个产品的大型实例尤其有用。

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？

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。