分类：AI动态 标签：人工智能、大模型、开源项目、Agent

天文观测，或许是最容易让普通人产生浪漫想象的一类科学。巨大的穹顶缓缓打开，镜筒转向几亿光年之外，一束跨越宇宙深处的微光落在探测器上，向人类诉说着超新星、伽马暴和中子星合并的秘密。

但当浪漫落地为日常的天文望远镜操作时，往往变得琐碎而辛苦。冬季漫长的黑夜里，值班人员需要彻夜守候，盯紧目标位置、天气与设备状态，调参数、排任务。更让人头疼的是瞬变观测：超新星等事件无法提前推算，其亮度和光谱在爆发初期会快速变化，科研团队发现越早、跟得越快，留下的观测数据才越完整。

面对这种「天上掉馅饼」却转瞬即逝的机遇，传统的人工调度显得捉襟见肘。今年，国家天文台科研团队在千问办公的协助下，做了一次将 AI Agent 引入天文观测的全新尝试。

01 自动望远镜已经发展了几十年，为什么还需要 Agent？

望远镜自动化并不是大模型时代才出现的技术。简单来说，它可以分为三个阶段：发现异常、分析异常和资源调度。

在资源调度方面，全球机器人望远镜网络已经能够根据目标可见性、天气和设备状态自动安排任务。而在发现异常方面，新一代巡天望远镜每天能产生海量的科学告警。然而，一个新的问题随之出现：候选数量随巡天能力迅速增长，适合做后随观测的望远镜时间却始终有限。 面对海量异常，到底选哪一个跟踪、在有限时间里用哪台设备跟踪，判断的代价并没有同步下降。

为此，国家天文台团队自 2025 年起尝试引入 AI。由银河系三维结构组与兴隆观测基地合作开发的星语望远镜（StarWhisper Telescope）以千问为基础模型，将观测计划、望远镜控制和数据处理整合进同一套 Agent 框架中。这项工作还被列入了斯坦福大学《AI Index Report 2026》报告的 Science 章节，成为当年物理、天文、化学和材料科学领域的代表性 AI Agent。

尽管固定工作流能够串联模型与接口，但在真实观测现场，波段选择、曝光时长、突发高价值目标的处理等参数仍需人工不断调整。当团队试图让 Agent 深入设备端时，却遇到了一个无法绕过的问题：真实望远镜根本经不起反复试错的折腾。

02 先造一台可以反复试错的仿真望远镜

国际主流地面光学望远镜运行成本高昂，且承担着繁重的科研任务，绝不可能腾出时间让 Agent 反复尝试各种失败策略。

为此，在千问办公的协助下，国家天文台科研团队先为 Agent 准备了一台仿真望远镜。过去开发一套专业仿真系统往往需要数月时间和数万元成本，而千问办公将这段过程压缩到了 3 天左右。

这套仿真系统不仅跑通了从候选识别、可见性计算、天气与设备状态读取到生成观测计划的数据链，还通过 Model Context Protocol（MCP）调用仿真设备完成模拟指向与曝光。通过在仿真中演练各种可能的天文环境变量与调度策略，研究人员可以提前比对不同方案的优劣，攻克现实中难以重复制造的多目标竞争与设备故障难题。

03 让一颗候选成为一个观测对象

仿真解决了策略演练的问题，而真实瞬变链路则要解决机会出现时的响应效率。

在千问办公的 Harness 框架中，模型首先输出候选信息，专业程序计算可见性，天气和设备状态被实时读入，相关工具通过 MCP 接入 Agent。定时任务持续检查结果，Agent 进而生成后随方案，并通过消息系统通知科研人员触发下一步操作。

目前，这套 Agent 框架已接入「司天」探路者和原型机，并成功预警约 8 颗极早期超新星候选，其中 2 颗在天气条件允许时触发了后续观测。这不仅彻底改变了过去逐项人工排查的线性流程，也为我国面向时域天文学的大型分布式巡天望远镜阵列项目——**「司天」工程（GOTTA）**未来的百台望远镜协同调度打下了坚实基础。

04 尾声

一边是几亿光年之外的恒星爆发，一边是企业级 AI Agent。

过去，我们很难将这两者联系起来。但本质上，无论是日常办公还是尖端科研，人类被消耗掉最多的时间，都是在不同系统间传递信息、调整参数和重新对接流程。

当一束光跨越几万年、几百万年甚至更久抵达地球，留给人类的观测时间窗口往往只有昂贵且不可逆的几个小时。在宇宙的尺度下，哪怕将决策过程加速 1 分钟，也弥足珍贵。