三体还没降临，是因为叶文洁没用上千问办公吗？

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，一束用从宇宙深处赶来的微光落到探测器上。然后告诉人类，这里几百万年曾经出现过超新星、伽马暴、中子星合并……研究的问题也从微观的重元素从何而来，覆盖到恒星如何死亡、极端物理条件下会发生什么。

但这些工作落到具体的天文望远镜使用时，日常却会变得琐碎而辛苦。

冬天夜长，国家天文台兴隆观测基地一次值班经常要持续十几个小时。值班人员需要彻夜守着望远镜和控制软件，盯目标位置、天气和设备状态，调参数，排任务。地球在转，目标也在不断改变位置；云层、湿度、风速、月光都会影响观测；机械、网络和供电也可能出现变动。

只是按照既定计划观测一晚，就已经够繁琐。但对瞬变观测来说，麻烦还远不止是夜班长。

超新星、伽马暴这类事件无法提前推算。尤其是超新星爆发后的早期阶段，亮度和光谱会快速变化，一些特征可能过了几个小时或者几天就不再出现。科研团队发现得越早、跟得越快，能够留下的观测数据也越完整。

中国科学院国家天文台高级工程师，兴隆观测基地天文组负责人郑捷把这种情况形容成天上掉馅饼。

首先能看到馅饼掉下来，就是非常复杂的第一步。

瞬变就意味着有一些原定观测任务需要被打乱排班。如果今晚已经排了三个科学任务，突然，一颗疑似极早期超新星突然出现在预警系统里，那这个目标到底重不重要，它现在是否处于可观测区域，天气是否允许，哪台望远镜有条件接手；原来的任务已经排满，又该挪掉哪一个……这些繁琐的任务，全都需要在极短时间里完成重新判断。然后逐级协调排程与设备调用。

于是，今年国家天文台科研团队在千问办公协助下做了一次新的尝试。

基于千问办公的 Agent Harness，团队用不到 3 天、千元左右的成本搭出了一套科研级望远镜仿真环境。望远镜组件和传感器接口被包装成 MCP，Agent 可以读取设备状态和可观测条件，随后，相关 Agent 框架又接入了司天探路者和司天原型机。

一种新的瞬变观测范式，在 AI 的驱动下，逐渐走向成熟。

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，我们可以将它分成三个阶段：发现异常、分析异常和资源调度。

这其中，最成熟的是资源调度。今天的 Las Cumbres Observatory 已经把分布在全球 7 个站点的 27 台机器人望远镜当作一个整体运行。科研人员提交观测请求，中央调度系统根据目标可见性、天气、设备和时间窗口安排任务；一个站点天气变差之后，任务还可以被重新分配到其他站点。整个网络的计划每小时会被重新计算多次。

关于发现异常，目前行业也产生了一批颇具代表性的探索。比如 2026 年 2 月 24 日，Vera C. Rubin Observatory 在一个晚上发出了约 80 万条科学告警。随着系统全面运行，这个数字预计最高达到每夜 700 万条；一次天空变化被发现后，公开告警可以在约两分钟内发出。

候选数量可以随着巡天能力迅速增长，适合做后随观测的望远镜时间却始终有限。于是，一个新的问题出现了：这些海量异常到底值不值得跟踪，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。

为了解决这个问题，国家天文台相关团队自 2025 年起，就开始尝试着用 AI。

根据公开资料，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 以千问为基础模型，把观测计划、望远镜控制和数据处理放进同一套 Agent 框架，并部署在多台望远镜组成的观测网络上。它能够生成观测列表、控制设备、处理数据，在发现新的瞬变以后继续触发后随任务。这项工作后来也被列入了斯坦福大学 以人为本人工智能研究院（Stanford HAI）发布的《AI Index Report 2026》报告的 Science 章节中， 是 2025 年物理、天文、化学和材料科学领域的代表性 AI Agent。

当然，固定工作流能把模型、程序和望远镜接口提前串起来。对于确定的流程，这种方式很好用；到了真实观测现场，用什么波段，多长曝光，安排在哪个时间窗口，天气、设备状态和临时出现的高价值目标要如何处理，这些参数和流程仍然需要人回来调整。

考虑到 Agent 能够在运行时选择工具、读取结果再决定下一步动作，相关团队开始把尝试继续往设备一侧推进。

但很快，一个无法绕过的问题出现了：新的控制方式需要大量测试，真实望远镜根本经不起这样的试错。

02

先造一台可以反复试错的仿真望远镜

一台科研望远镜远比很多人想象的要复杂得多。

国际主流 10 米级地面光学望远镜一个有效观测小时的运行成本可以达到数万元。钱还只是其中一部分。望远镜的镜筒、转台、相机和大量传感器彼此联动，错误控制可能带来设备风险；正常科研时间也不可能专门腾出来，让 agent 反复尝试各种失败策略。对于一些可能会出现的某个单体望远镜临时故障、几颗高优先级目标同时发生的情况，现实中，也根本无法按照开发计划排练预演。

因此，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，需要科学家先把观测流程、设备逻辑和实验需求解释给软件团队，开发人员实现以后再交回来验证。遇到偏差，再继续修改。按照项目团队的介绍，同类开发过去往往需要数月和数万元。

千问办公把这段过程压缩到了 3 天左右。

第一版仿真系统没有追求完整复制一台真实望远镜的全部物理行为，它先试着把一次观测的数据链跑通。

假设系统收到一颗刚刚出现的超新星候选。专业模型会先判断候选的性质和大致演化阶段，然后天文程序根据时间、台站和坐标计算它现在能不能看、还能看多久；天气系统返回云量、风速和湿度，设备端给出当前状态。

这些数据的获取都有各自成熟的工具。Agent 会直接读取这些程序返回的结果，再把它们组织成一份观测计划：什么时候开始，需要什么波段，曝光多长，放在当前队列的什么位置。

计划生成以后，再通过 MCP 调用仿真设备。然后望远镜完成模拟指向、曝光，数据进入原有处理管道，分析结果继续回到下一轮计划。

过程中，设备能做什么，也提前写进了接口。机械限位、合法参数范围、强制停止条件由底层系统约束，重要节点仍然可以保留人工确认。一次任务中验证有效的方法，还可以沉淀成后续继续调用的 Skill。

第一版跑通数据流以后，团队开始加入硬件响应。真实设备日志被用来模拟电机等组件收到指令后的运动，传感器和控制器也会逐步进入这套环境。最终，观测任务怎样落到设备动作、设备状态怎样反过来改变计划，最终可以在同一个仿真环境里发生。

借助这样一套系统，过去观测中的选择困难症将会成为历史。

假设晚上同时出现三颗值得跟踪的候选。A 的科学价值最高，但两个小时以后就会落到低空；B 条件很好；C 刚刚爆发，早期特征消失得最快。原来的队列里还有已经排好的任务，凌晨天气又开始恶化。

真实望远镜只能选一条路线。但在仿真里，我们可以同时将各种可能的方式方法及环境变量提前演练很多遍，然后加速现实中的判断。

目前，国家天文台团队已经尝试在仿真系统中把同一批目标、同样的天气变化交给不同调度策略，比较最后拿到了多少有价值的数据，又漏掉了哪些目标。设备故障、多目标竞争这些现实中难以重复制造的情况，也可以主动加入。

这些链路跑通之后，Agent 开始与天文望远镜一同，对准了真实夜空。

03

让一颗候选成为一个观测对象

如果说仿真解决的是策略演练的问题，真实瞬变链路解决的就是另外一个问题：当机会真的出现，怎么让它更加高效。

国家天文台团队先从发现端开始抢时间。

单台望远镜拍摄同一个区域时，两次拍摄之间的间隔可能会比较久，如果超新星爆发的关键变化恰好落在两次观测之间，有价值的信息很容易就此错过。

国际天文团队为此训练了一套跨波段光变基座模型，把来自不同波段、不同望远镜的数据在时间上对齐。原本分散的观测点被组合起来以后，时间采样会变得更密，从而更早识别处于爆发初期的候选。

候选出现以后，真实的观测工作开始沿着和仿真环境相似的链路运行。

在千问办公的 harness 框架中，模型给先出候选信息，专业程序继续计算可见性，天气和设备状态被读入，相关工具通过 MCP 接入 Agent，定时任务持续检查新的结果，agent 再根据当前任务形成后随方案，还可以通过消息系统通知科研人员并触发下一步操作。

截止当前，这套 agent 框架已经接入司天探路者和原型机，并预警约 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。

对比过去，传统观测里，一条预警弹出来以后，接下来要做的是一套线性的流程：值班人员才开始逐项查目标、查天气、算可见窗口、看设备、调整原来的队列。

链路连通以后，agent 可以随着候选出现一起启动，并行推进。科研人员看到一颗新目标时，可以同时看到它大致处于什么阶段、当前有没有观测条件，以及系统给出的后随方案，再做最后的科学判断。

单台望远镜的控制只是开始，真正的挑战是望远镜阵列。

提到阵列，绕不开的就是我国面向时领天文学提出的大型分布式米级巡天望远镜阵列项目——司天工程。

目前，司天工程（GOTTA）已经入选联合国教科文组织科学十年认证计划。按照官方介绍，它希望构建覆盖全球的百余台 1 米级宽视场光学望远镜，对全夜空进行高频次、多色持续监测，寻找超新星、中子星合并、黑洞潮汐瓦解恒星等极端事件的早期信号。

在这个网络中，哪几台负责持续巡天，哪一台去观测突然出现的目标；两个站点都能看的时候该选谁；一个站点天气恶化以后，它排队中的任务怎样重新分出去；哪个事件值得多台设备同时跟进，会是一套更复杂的调度系统，也将是一件只有借助 Agent 才能完成的事情。

04

尾声

一边是几亿光年之外的恒星爆发观测，一边是企业级 AI Agent。

过去，我们往往难以把这两件事情联系起来。但本质上，从办公到生产、科研，所有工作中被消耗掉最多的时间，其实都是：从一个系统拿到信息，交给另一个程序处理；看完结果，再决定打开哪个软件、改哪组参数；计划发生变化，就重新把后面的流程接一遍。

过去这种十几分钟、几十分钟的效率提升，放在一天的工作流中，或许并不起眼。

但是当一束光走过几万年、几百万年，甚至更久，才终于抵达地球；让我们能够仰望天空，想象自己在群星中的位置时。留给我们的时间窗口只有昂贵且不可逆的几个小时。

这时候，即使 1 分钟的加速也弥足可贵。

但换个角度来说，现在三体人还没解放地球牛马，是因为叶文洁没用上千问办公吗？