分类：科技 标签：人工智能、大模型、开源项目、科技前沿
天文观测向来是最容易让普通人产生浪漫想象的科学。巨大的穹顶缓缓打开，数亿光年外的微光落入探测器，向人类诉说着恒星死亡与极端物理的奥秘。然而，浪漫的背后却是极其繁琐的日常——彻夜值班、盯守控制软件、调整参数、排布任务，还要随时应对云层、风速、机械变动等现实挑战。
特别是面对超新星、伽马暴等瞬变天文事件时，情况变得更加复杂。这类事件无法提前推算，且早期亮度和光谱变化极快，科研团队发现得越早、跟得越快，留下的观测数据才越完整。面对突发目标，如何打破原定排班、重新协调设备调用，往往需要在极短时间内完成。
今年，国家天文台科研团队在千问办公的协助下，做了一次突破性的尝试：基于 Agent Harness，团队用不到 3 天、千元左右的成本，成功搭建了一套科研级望远镜仿真环境，并将 Agent 框架接入了「司天」探路者和原型机。
自动化望远镜的进阶：为什么还需要 Agent？
望远镜自动化并不是新鲜事。通常而言，它分为发现异常、分析异常和资源调度三个阶段。
在资源调度和异常发现方面，全球已有多台机器人望远镜和巡天系统在日夜运转。例如，Vera C. Rubin Observatory 在一个晚上就能发出数十万条科学告警。然而，新的问题随之而来：候选数量激增，但适合做后随观测的望远镜时间始终有限。海量异常到底值不值得跟踪？选哪一个？用哪台设备？判断的代价并未同步下降。
为此，国家天文台团队自 2025 年起便开始引入 AI。由国家天文台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，正是以大模型为基础，将观测计划、设备控制和数据处理整合在同一套 Agent 框架中。这项工作还入选了斯坦福大学发布的《AI Index Report 2026》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。
但固定工作流面对真实观测现场的动态变化时，仍需大量人工调整。当团队试图让 Agent 进一步深入设备控制时，却遇到了一个无法绕过的高墙：真实望远镜经不起反复试错。
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的运行成本极高，且镜筒、转台、传感器彼此联动，错误控制可能带来巨大的设备风险。
为了解决这一痛点，科研团队在千问办公的协助下，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和数万元，而千问办公将这一过程压缩到了 3 天左右。
这套仿真系统完整跑通了数据链：
- 信息接入：Agent 读取超新星候选信息。
- 多维计算：专业程序计算可见性，天气系统返回环境数据。
- 计划生成：Agent 组织观测计划，通过 MCP 调用仿真设备模拟指向与曝光。
- 闭环优化：数据进入处理管道，有效方法沉淀为后续调用的 Skill。
在仿真环境中，团队可以同时将各种可能的策略及环境变量演练多遍，甚至主动加入设备故障、多目标竞争等现实中难以重复制造的情况，从而大幅加速现实中的决策效率。
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，而真实的瞬变链路则直接抢占时间。
在千问办公的 harness 框架中，模型先输出候选信息，程序计算可见性，天气与设备状态被实时读入。相关工具通过 MCP 接入 Agent 后，可以定时检查结果并形成后随方案，甚至自动触发下一步操作。
目前，这套 Agent 框架已经接入「司天」探路者和原型机，并预警了约 8 颗极早期超新星候选，其中 2 颗在天气条件允许时成功触发后续观测。
真正的终极挑战，是面向时域天文学的大型分布式米级巡天望远镜阵列项目——「司天」工程（GOTTA）。该工程已入选联合国教科文组织科学十年认证计划，未来计划构建覆盖全球的百余台 1 米级宽视场光学望远镜。在这个百台阵列的网络中，面对复杂的设备调度与多目标竞争，Agent 将成为不可或缺的核心枢纽。
总结
从几亿光年之外的恒星爆发，到企业级 AI Agent，这两者看似遥远，却有着底层逻辑的共通之处：它们都在消除系统中无谓的等待与繁琐的人工流转。
当一束光走过数百万年才抵达地球，人类留下的观测时间窗口往往只有昂贵且不可逆的几个小时。在这种情况下，哪怕是 1 分钟的加速也弥足珍贵。AI 的介入，不仅让科研效率实现了跨越式提升，更让我们在仰望星空时，多了一份掌控时间的力量。