InterSystems 发布了新的点式更新，该更新解决的缺陷问题影响以下受支持的产品线的最新先前版本 2025.1.0、2024.1.4、2023.1.6 和 2022.1.7：

• InterSystems IRIS
• InterSystems IRIS for Health
• HealthShare Health Connect

此问题可能导致在使用以下功能时出现意外的 <PROTECT> 错误或访问异常：

• 隐式命名空间
• 对数据库的混合只读/读写访问
• 用于列出例程和全局变量的管理门户页面

症状包括：

• 命名空间创建故障
• 在列出例程时，间歇性出现“访问被拒”错误
• 对于具有只读权限的用户，全局显示页面不返回数据

虽然这些问题并不影响访问控制或用户权限，但它们会在多种场景下影响预期的系统行为。

问题得到解决的版本

以下点式版本中修复了该问题：

• 2025.1.0.230.2
• 2024.1.4.516.1
• 2023.1.6.810.1
• 2022.1.7.116.1

建议使用受影响版本的客户应用相关更新，以确保系统正常运行。

如果您有任何问题或需要支持，请联系 InterSystems 全球响应中心 (WRC)。

摘要

在命名空间之间切换或使用以下任何功能访问环境中的全局变量时，上面列出的 InterSystems 产品中的问题可能会引发意外的 <PROTECT>错误：

• 隐含命名空间
• 只读访问默认数据库，但读写访问其他地方
• 列出例程和全局项的管理门户页面

该问题的症状包括：

• 存在命名空间创建故障 (DP-440830)
• 在管理门户中列出例程时，间歇性出现访问被拒的情况 (DP-439622)
• 全局显示实用工具不显示全局变量（如果用户只有只读权限）(DP-440744)

第十二章 I 开头的术语

以 I 开头的术语

被识别 (identified by)

对象（Objects）

当一个类在逻辑上依赖于另一个类的存在时，它就被另一个类所识别。

识别关系 (identifying relationship)

对象（Objects）

识别关系定义了两个类之间的关系，其中一个类依赖于另一个类的存在。

身份 (identity)

对象（Objects）

对象的身份或 ID 在其范围内唯一地标识该对象。

idkey

对象（Objects）

用于指定对象 ID 内容的索引。任何在 idkey 中使用的属性在对象生命周期内必须保持静态。

隐式全局引用 (implicit global reference)

系统

请参见 映射全局引用（Mapped Global Reference）。

隐含命名空间 (implied namespace)

系统

当你在扩展全局引用中使用目录或目录和系统名称时，IRIS 内部创建的命名空间。

包含文件 (include file)

ObjectScript

包含定义的文件，可在 ObjectScript 源代码编译的预处理阶段使用，以扩展宏源例程并确定是否应包含可选的代码行。它们还可以用于在多个例程中包含一段公共代码块，节省调用公共子例程的开销。

传入锁 (incoming lock)

系统

这篇文章介绍了使用由支持 langchain 框架的IRIS来实现问答聊天机器人，其重点介绍了检索增强生成（RAG）。

文章探讨了IRIS中的向量搜索如何在langchain-iris中完成数据的存储、检索和语义搜索，从而实现对用户查询的精确、快速的响应。通过无缝集成以及索引和检索/生成等流程，由IRIS驱动的RAG应用程序使InterSystems开发者能够利用GenAI系统的能力。

为了帮助读者巩固这些概念，文章提供了Jupyter notebook和一个完整的问答聊天机器人应用程序，以供参考。

什么是RAG以及它在问答聊天机器人中的角色

RAG，即检索增强生成，是一种通过整合超出初始训练集的补充数据来丰富语言模型（LLM）知识库的技术。尽管LLM在跨不同主题进行推理方面具有能力，但它们仅限于在特定截止日期之前训练的公共数据。为了使AI应用程序能够有效处理私有或更近期的数据，RAG通过按需补充特定信息来增强模型的知识。这是一种替代微调LLM的方法，微调可能会很昂贵。

在问答聊天机器人领域，RAG在处理非结构化数据查询中发挥着关键作用，包括两个主要组成部分：索引和检索/生成。

索引从数据源摄取数据开始，然后将其分割成更小、更易于管理的块以进行高效处理。这些分割的块随后被存储和索引，通常使用嵌入模型和向量数据库，确保在运行时能够快速准确地检索。

1. IRIS RAG Demo

这是 IRIS 与 RAG（检索增强生成）示例的一个简单演示。 后端是使用 IRIS 和 IoP用 Python 编写的，LLM 模型是 orca-mini 并由 ollama 服务器提供。 前端是用 Streamlit 编写的聊天机器人。

• 1. IRIS RAG 演示](#1-iris-rag-demo)
  • 1.1. 什么是 RAG](#11-what-is-rag)
  • 1.2. 如何工作？
  • 1.3. 安装演示](#13-installation-the-demo)
  • 1.4. 使用方法
  • 1.5. 演示如何运行](#15-演示如何运行)
    • [1.5.1. 前端]（#151-前端）
    • 1.5.2. 后台
      • [1.5.2.1. 业务服务]（#1521-业务服务）
      • [1.5.2.2. 业务流程]（#1522-业务流程）
      • [1.5.2.3. LLM 操作]（#1523-the-llm-operation）
      • 1.5.2.4. 矢量操作](#1524-the-vector-operation)
  • 1.6. 一般性说明](#16-一般性说明)

1.1. 什么是 RAG？

RAG 是 Retrieval Augmented Generation（检索增强生成）的缩写，它带来了使用带有知识库的 LLM 模型（GPT-3.5/4、Mistral、Orca 等）的能力。

一般情况下，我们根据iris的portal向导创建数据库，然后创建命名空间。这个过程比较花时间，如果是已经存在的数据库，还需要再装载。翻阅portal调用的方法后，我整合了这几个方法。把这几个方法拷贝到任意已经存在的命名空间，通过执行CNNS（路径，命名空间），就可以快速创建好命名空间。方法的大概过程是，进入到%sys命名空间，然后依次创建数据库，创建命名空间，创建web应用。创建完成后，回到当前命名空间。

一个实例中可创建的最大命名空间数量为2048个。这个上限不可修改。

一个实例中可创建的最大数据库数量（包括远程数据库）为15998个。这个上限也不可修改。

一个实例中可创建数据库的总数量还有其他因素制约：

1. 数据库路径信息总量最大为256KB，也就是所有数据库的路径字符加起来不能多于256KB。设置的路径越长，可创建的数据库数量越少。
计算公式：最大数据库数量=258048/(平均数据库路径长度+3)

2. 镜像的数据库一个按两个算。也就是创建一个镜像的数据库，相当于创建了2个非镜像数据库。

更多细节请参考在线文档：
https://docs.intersystems.com/irislatest/csp/docbook/Doc.View.cls?KEY=G…