千问办公帮天文学家三天搭出望远镜仿真系统，已预警8颗超新星
天文值班的现实：浪漫想象 vs 琐碎操作
提到天文观测，很多人脑海里浮现的是巨大穹顶缓缓开启、镜筒对准深空的画面。但现实中，国家天文台兴隆观测基地的值班人员经常要连续工作十几个小时，盯着目标位置、天气变化、设备状态，不断调整参数和任务排期。地球自转、云层移动、月光干扰、机械故障……任何一个变量都可能打乱整晚计划。
而瞬变事件——比如超新星爆发——更是让这种繁琐雪上加霜。这类事件无法预测，且早期阶段的光谱特征可能几小时内就消失。一旦预警出现，团队必须在极短时间内判断：这个目标是否值得中断原定任务？它当前是否在可观测区域？哪台望远镜能接手？原来的观测队列该怎么调整？
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形容为“天上掉馅饼”——首先得看见馅饼掉下来，然后还得迅速决定要不要接、怎么接。
自动化望远镜为何还不够？
望远镜自动化其实已有几十年历史。以Las Cumbres Observatory为例，其全球27台机器人望远镜由中央系统统一调度，能根据天气、目标可见性自动分配任务，甚至跨站点接力观测。而在异常发现端，Vera C. Rubin Observatory单晚可发出80万条科学告警，未来预计达700万条。
问题在于：告警数量爆炸式增长，但适合后随观测的望远镜时间却极其有限。海量候选中，哪些真正值得跟踪？用哪台设备、在什么时间窗口、采用何种参数？这些判断本身仍需大量人力介入。
为应对这一瓶颈，国家天文台自2025年起尝试引入AI。他们开发的StarWhisper Telescope（星语望远镜）基于千问大模型，将观测计划生成、设备控制和数据处理整合进同一Agent框架，并部署于多台望远镜组成的网络。该系统能自动触发后随任务，相关成果已被收录进斯坦福大学《AI Index Report 2026》的Science章节，列为2025年天文领域的代表性AI Agent。
但固定工作流仍有局限。真实观测中，波段选择、曝光时长、任务优先级常需动态调整。而Agent的优势在于运行时能读取工具结果并自主决策下一步动作。不过，直接在真实望远镜上测试新控制逻辑风险太高——设备昂贵，科研时间宝贵，根本经不起反复试错。
三天搭出一台“可摔打”的仿真望远镜
于是，团队决定先造一台能随意折腾的仿真系统。过去开发类似环境，需科学家向软件团队详细描述流程，再经多轮验证修改，通常耗时数月、花费数万元。而借助千问办公的Agent Harness，这一过程被压缩到3天左右，成本仅千元级别。
第一版仿真并未追求物理层面的完全复现，而是聚焦打通数据链：当一颗超新星候选出现，专业模型先评估其性质；天文程序计算可见时间窗口；天气接口返回云量、风速；设备端提供当前状态。Agent读取这些信息后，自动生成观测计划——包括开始时间、所需波段、曝光时长及队列位置——并通过MCP调用仿真设备执行模拟指向与曝光。
关键约束被写入底层：机械限位、合法参数范围、紧急停止条件均由系统强制执行，重要节点仍保留人工确认。有效策略还可沉淀为可复用的Skill。
随后，团队逐步加入硬件响应模拟。利用真实设备日志，系统能模拟电机收到指令后的运动轨迹，传感器和控制器行为也逐步集成。最终，从任务规划到设备动作、再到状态反馈的完整闭环，都能在仿真环境中跑通。
这套系统解决了现实中难以复现的场景测试问题。例如，当三颗高价值候选同时出现——A科学意义最大但两小时后落至低空，B观测条件理想，C刚爆发但特征消退最快——真实望远镜只能选一条路径，而仿真环境可并行演练多种调度策略，比较最终获取的数据质量与遗漏情况。设备突发故障、多目标竞争等极端情形也能主动注入测试。
从仿真走向真实夜空
仿真验证成熟后，Agent开始接入真实观测链路。国家天文台团队首先优化发现端的时间分辨率。单台望远镜重访同一区域的间隔较长，可能错过爆发关键期。为此，国际团队训练了跨波段光变基座模型，将不同望远镜、不同波段的数据在时间轴上对齐，形成更密集的采样，从而更早识别早期候选。
当真实候选出现，观测流程与仿真环境高度一致：千问办公Harness框架接收候选信息，专业程序计算可见性，天气与设备状态通过MCP接入Agent，定时任务持续监控新数据，Agent据此生成后随方案，并通过消息系统通知科研人员做最终科学判断。
截至目前，该框架已接入“司天”探路者和原型机，成功预警约8颗极早期超新星候选，其中2颗在天气允许时触发了后续观测。相比传统模式——值班员收到告警后逐项核查目标、天气、设备、队列——新链路实现了并行推进。科研人员看到新目标时，已能同步获知其演化阶段、当前观测条件及系统建议方案。
面向“司天”阵列的更大挑战
单台望远镜只是起点。真正的考验在于望远镜阵列调度，尤其是我国正在推进的“司天”工程（GOTTA）。该项目计划在全球部署百余台1米级宽视场光学望远镜，对全夜空进行高频次、多色监测，捕捉超新星、中子星合并等极端事件的早期信号。
在这个网络中，调度复杂度呈指数级上升：哪些望远镜负责常规巡天？突发目标该分配给哪个站点？两地均可观测时如何选择？某站点天气恶化后，其排队任务如何重新分发？哪些事件值得多台设备协同跟进？这些问题的答案无法靠预设规则穷尽，而必须依赖具备实时推理与工具调用能力的Agent系统。
效率提升的真正价值
企业级AI Agent与深空观测看似遥远，实则共享同一痛点：工作中大量时间消耗在系统间信息搬运、参数调整和流程重组上。日常办公中，节省十几分钟或许无关紧要；但在天文观测中，一束光可能跋涉百万年才抵达地球，留给我们的有效观测窗口却只有几个小时——此时，哪怕1分钟的加速都弥足珍贵。
至于“三体人还没降临，是因为叶文洁没用上千问办公”？这当然是句玩笑。但玩笑背后，是AI正从办公场景悄然渗透进最前沿的科研基础设施，成为人类探索宇宙的新杠杆。