分类：科技 标签：人工智能、大模型、开源项目、科学研究
天文观测，或许大概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，一束从宇宙深处赶来的微光落到探测器上，向人类诉说着恒星如何死亡、极端物理条件下会发生什么。
但浪漫的背后，是极其琐碎且高强度的夜班值守与参数调试。特别是对于超新星、伽马暴这类无法提前推算的瞬变事件，亮度和光谱会快速变化，科研团队发现得越早、跟得越快，留下的观测数据才越完整。
面对这种「天上掉馅饼」却又转瞬即逝的机遇，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 引入天文观测的硬核尝试。
自动望远镜发展数十年，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，它的发展可以分为三个阶段：发现异常、分析异常和资源调度。
- 资源调度：已高度成熟。例如全球多地的机器人望远镜网络可以作为整体运行，中央调度系统根据可见性、天气自动安排任务。
- 发现异常：巡天望远镜能够产生海量的科学告警。但随之而来的是“选择困难症”——候选数量迅速增长，适合做后随观测的望远镜时间却始终有限，判断代价并未同步下降。
为了解决这一痛点，国家天文台相关团队开始尝试引入 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）以大模型为基础，把观测计划、望远镜控制和数据处理放进同一套 Agent 框架中。这项工作还入选了斯坦福大学发布的《AI Index Report 2026》科学章节。
然而，在真实观测现场，波段选择、曝光时长、天气、设备状态等参数仍需人工动态调整。如果让 Agent 直接介入设备控制，又面临着一个无法绕过的高昂代价：真实望远镜极其昂贵且经不起试错。
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、相机等大量传感器彼此联动，错误控制可能带来巨大的设备风险。
为此，在千问办公的协助下，国家天文台科研团队先给 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、千元左右的成本。
在这套仿真环境中：
- Agent 通过 MCP（Model Context Protocol）读取设备状态和可观测条件。
- 系统模拟天气变化、机械限位和合法参数范围。
- 面对多目标竞争、天气恶化等现实中难以重复制造的情况，仿真系统可以同时将各种策略提前演练多遍，大大加速了现实中的决策判断。
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，而真实瞬变链路则解决了“抢时间”的问题。
在千问办公的 Harness 框架下，当跨波段光变基座模型捕捉到极早期超新星候选后，Agent 框架会并行推进一系列流程：
- 模型给出候选信息 -> 专业程序计算可见性 -> 读取天气与设备状态。
- 工具通过 MCP 接入 Agent -> 定时任务检查结果 -> 生成后随方案并通知科研人员。
目前，这套 Agent 框架已经接入了我国“司天”探路者和原型机，并成功预警多颗极早期超新星候选。随着“司天”工程（GOTTA）未来构建覆盖全球的百余台米级宽视场光学望远镜阵列，这种复杂的分布式协同调度，更将深度依赖 Agent 的智能化能力。
尾声
当一束光走过几万年甚至数百万年终于抵达地球，人类留给自己的观测时间窗口往往只有昂贵且不可逆的几个小时。在这样极致的科学探索中，哪怕仅仅是 1 分钟的流程加速，也弥足珍贵。AI Agent 与天文望远镜的结合，正在把人类从繁琐的系统协同中解放出来，去追逐更深邃的星辰大海。