谷歌 SWE 团队驱动 48 个 AI 代理分析 NASA 激光雷达数据，72 小时内定位一处未登记的玛雅遗址

一句话看懂：一位开发者使用 Gemini、ChatGPT、Claude、Grok 等大模型代理，分析约 1200 平方公里的 NASA 公开激光雷达数据，在墨西哥锁定一处疑似玛雅遗址，墨西哥 INAH 回函称其记录中无该遗址。但作者随后更正：该遗址其实已在 2025 年一篇论文中被测绘，代理检索文献时漏掉了。

事件核心：发生了什么

根据作者 pietromiotti.com 的记述，他于 2026 年 10 月 18 日在秘鲁旅行时产生用激光雷达寻找遗迹的想法，当晚让代理分析玛雅地区的公开数据。48 个 AI 代理不依赖专门训练的模型，而是按照详细指南逐张查看激光雷达图像，筛选金字塔、平台和广场，排除自然山体、天坑和道路。10 月 19 日，代理报告一处山顶村落未被登记：它位于悬崖边，有平整广场、高约 8 至 12 米的椭圆形金字塔、附属庭院及一个可能为蓄水池的凹地；代理还核对了原始点云，确认这些结构来自地面而非树冠。10 月 21 日，INAH 回复称该坐标处没有登记在册的考古遗址。作者在 11 月 11 日更新中说明，该遗址此前已在 Estrada-Belli 等人的研究中被测绘，只是尚未进入 INAH 登记册，因此严格来说这是“重新发现”。

为什么重要

这个案例的价值不在“AI 找到新遗址”，而在流程本身：大模型代理可以在几小时内完成数据读取、图像筛查、文献检索、报告撰写和邮件沟通，把过去需要团队数周工作的环节压缩到 72 小时内。它展示了一种低成本、可复制的“代理流水线”，也暴露出关键短板——代理在文献检索环节漏掉了已发表结果，导致结论偏差。这说明当前代理擅长模式识别和执行，但事实核查仍需要人工兜底。

对用户/开发者/创作者的影响

对开发者而言，这是一个可参考的代理编排范例：用多个模型分工，把长任务拆成可检查的步骤，并保留原始数据切片用于验证。对科研和内容创作者而言，它提示可以用公开卫星与激光雷达数据做初步筛查，但任何“发现”都必须先查文献和官方登记，不能直接把代理输出当作结论。对企业用户来说，代理的价值更多体现在缩短信息处理链路，而非替代专业判断。