智能体规划航天任务有了统一考场：五个系统35个用例，几何与星座设计仍是短板

航天任务规划现在有了一个统一的可执行评测：智能体不再只描述策略，而要交出排程、观测计划或星座设计文件，由外部校验器判定是否可行并给出任务价值分数。 此前的LLM-for-Space工作分别覆盖编队规划、卫星调度、操作支持与在轨自主，但各自使用不同的任务契约、控制设置、仿真器与成功标准，难以横向比较。 基准覆盖调度、观测规划、星座设计与中继支持四个领域的七个任务族，共116个生成或归一化用例；主评测使用每族5个、共35个留出用例，五个智能体系统在同一两小时预算、同一套科学、天体动力学与运筹库下运行。

评测把“能不能交出一份可行计划”和“这份计划值多少任务价值”分成两层来测，因此通过格式检查不等于任务完成。 仅凭有效性太弱：一份计划可以满足模式要求，却没有观测到有价值目标、没有服务任何需求或覆盖面积很小。 校验器先检查提交、模式、时间、几何与资源，再按各族原生指标计算价值并映射到统一的越高越好分数；无效或缺失提交记零分。在AEOSSP的一个测试用例上，Claude Code + Claude Opus 4.6的可行排程完成1947个任务中的1415个、回收总任务权重的68.54%，综合周转时间与能耗后得分为70.87，该系统五用例均值为58.45。

强弱差距落在具体任务族上：最强智能体行在SPOT-5、中继星座、重访星座与SatNet上高于对应求解器参考行，在AEOSSP上略低，在区域覆盖与立体成像上差距最大。 求解器参考行是按用例选取最好与次好参考后族内平均的质量锚点，而非经证明的最优解。 最强智能体行在SPOT-5、中继星座、重访星座与SatNet上分别高出参考行1.00、3.12、5.52和7.86分，在AEOSSP上低3.04分；区域覆盖与立体成像的最好求解器基线均值为86.44和96.05，最强智能体行均值为73.15和68.91。

高分运行的做法是在运行中自建针对个案的求解器，并用校验器反馈校准它，同时保留已验证的当前最优解。 失败则分两层：一层是没有把物理模型、耦合约束、计分目标和所需提交物整合进任务表述，另一层是任务表述正确但搜索弱、代码脆、校验器调用太晚或在优化中目标漂移。 在175次主实验运行中，12.6%以无效提交结束，9.1%提交了有效但零分的产物，22.3%在读取根工作区契约之前就写下了持久产物；工作区支持的效果是有条件的，程序注入与记忆累积只在补上缺失的表述、校准或搜索支持时才有帮助。

评测对象是完整智能体系统，即配置好的模型、运行框架与工作区三者一起，同一模型配不同框架、工具、记忆或反馈通道会被当作不同系统；主评测为七个任务族各5个留出用例、共35个，五个系统在同一两小时墙钟预算、8核与32GB内存下运行，提交物在运行结束后由外部校验器评分，期间不做人工修复。

作者指出主要经验限制是规模：每族5个用例、共35个、五个系统，扩大用例、系统、随机种子与难度设置需要更多长时交互运行，API成本是主要约束；求解器参考行是质量锚点而非经证明的最优解，因此智能体接近或超过参考行比较的是已实现的参考集合，而非全局最优；消融只覆盖两种工作区支持，不涵盖所有框架设计、反馈通道、提示结构、搜索工具与记忆策略；基准只报告一个采样难度区间，未给出随任务规模变化的曲线。