说一个我今天看到、内心挺震动的事。

天文台和千问办公一起搞了个项目，只用了三天、花了不到一千块钱，就搭出了一套大口径科研级望远镜仿真系统。

当然，这套系统不是真的望远镜，是把真望远镜的运行环境完整地复刻了一遍，让 AI Agent 可以在里面反复预演观测策略，等方案成熟了再拿到真设备上去跑。

做过科研的朋友知道，这个成本和时间基本是不可思议的。人和软件的关系，正在被彻底反过来。

1先聊一下背景。

像超新星爆发、伽马射线暴这一类瞬变天象，都是稍纵即逝的。等你收到预警，再去安排望远镜，能观测的时间可能已经不多了。

而真实的科研级望远镜很珍贵，也不能拿来反复测试一套还没验证过的方案。

所以过去很长一段时间里，天文学家做一次瞬变观测，都是需要先想好观测目标，然后一步步操作望远镜的控制软件，设参数、排流程、调设备、看状态、等结果。中间任何一环出问题，那一整晚可能就白熬了。

过去这是一件挺矛盾的事：越是稍纵即逝的机会，越需要准备充分；可准备时又很难在真机上随便试。

2但这套仿真系统最聪明的地方，是给观测方案造了一个可以犯错的地方。

它复现的是真实望远镜的运行环境Agent可以在这里尝试观测策略，看看计划能不能执行，再根据结果调整。

天文学家还是提目标，比如今晚我想盯这颗候选超新星，需要什么样的曝光和滤镜组合。剩下一整串的事情，比如读望远镜状态、排观测计划、调用控制接口、跑观测、看结果、根据结果调整下一步策略，这些Agent 自己就能闭环跑下来。

而且，它没有停在仿真里。千问办公已经接入望远镜阵列司天探路者和司天原型机，具备调度真实望远镜的能力。已经预警过的 8 颗极早期超新星候选里，有 2 颗在天气条件允许的时候，触发了真实望远镜的后续观测。

这说明，预警之后，Agent已经能够参与真实设备的响应链路。天文台人工智能推进委员会的李瑀旸博士有句话说得很准确，宇宙瞬变虽然稍纵即逝，但在仿真环境里，观测可以反复预演。

望远镜的控制软件、观测流程、各种 API，都没消失，但它们从人必须直接面对的前台工具，退到了 Agent 按需调用的后台能力。人交互的对象，从软件本身，变成了任务本身。

3那Agent是怎么干成这件事的呢？

首先，有效的观测方法、参数组合，都需要沉淀为可复用的Skill。真实设备的控制接口，要能通过MCP等机制被调用。

还有记忆，观测这件事本来就是经验型的，每次执行后的信息如果能被保存，下一次决策才有机会用上这段记忆。

最后是一个自主循环：制定方案，执行观测，评估结果，调整策略，然后再来一轮。这些能力接起来，Agent才可能在执行方案后，依据结果调整下一轮观测。

而且这套循环也开始具备一定的自我进化能力，也就是RSI（Recursive Self-Improvement），递归式自我改进。今年硅谷讨论 AI 走向的时候，一个越来越主流的判断也是走向 RSI。

它指的是AI系统开始具备一定的自我迭代能力，能够根据执行结果，自己调整下一次的做法。

而天文台的观测方式，其实也是走过了这样一条完整的演进路线。先是最早的纯人工操控，后来变成基于大模型的固定工作流，到今天这一步，才真正进入 Agent 驱动的阶段。虽然这不是完整意义上的RSI，但它已经是一个雏形。

天文观测是一个看得见的样本，它把AI Native的工作方式落到一个真实的科研流程里。

真正的 AI Native，从一开始，组织方式应该就默认 Agent 是参与者，软件、模型、API、设备都是 Agent 手里的工具，人回到出题人和拍板人的位置。

以前我们讨论AI办公，问的还是它能不能替人写完一份材料。但现在，问题开始往前走了：当人提出目标，Agent能不能把组织里的软件和设备连接起来，推进一个真实任务？