从数据到决策：提示工程如何优化深空探测任务？

本文将从深空探测的实际挑战出发，系统讲解提示工程的核心原理，以及它如何通过“精准指令设计”让AI模型（尤其是大语言模型，LLM）更好地理解、处理和决策深空探测数据。我们将从数据预处理、特征提取到自主决策，一步步揭开提示工程在航天器自主控制、故障诊断、科学目标优化中的应用逻辑，并通过真实任务案例（如NASA的火星2020任务、欧洲航天局的JUICE探测器）展示其实际效果。提示工程（Prompt En

Python编程之道

360人浏览 · 2025-09-23 00:36:15

Python编程之道 · 2025-09-23 00:36:15 发布

从数据到决策：提示工程如何优化深空探测任务？

1. 标题 (Title)

从数据洪流到精准决策：提示工程如何重塑深空探测的未来？
深空探测的“AI指挥官”：提示工程如何让航天器更聪明？
数亿公里外的“无声对话”：提示工程如何破解深空探测的数据决策难题？
从火星到星际：提示工程如何让AI在极端环境下做出正确判断？
超越地球边界：提示工程如何将深空探测数据转化为行动指令？

2. 引言 (Introduction)

痛点引入 (Hook)

想象一下：在距离地球4.2光年的比邻星轨道上，一艘无人探测器正传回它拍摄的系外行星大气光谱数据。这些数据经过数百年的星际旅行（假设未来推进技术）才抵达地球，却混杂着宇宙射线干扰、传感器噪声和未知天体的信号。地面团队需要在有限的时间内判断：这些数据是否显示了生命迹象？探测器是否需要调整轨道进行二次观测？还是应该优先传回更关键的设备状态数据？

在深空探测中，类似的“数据-决策”困境无处不在。从火星车在布满岩石的地表选择路径，到航天器在木星辐射带中规避故障，每一个决策都依赖于对海量、高噪声、高延迟数据的精准解读。传统的编程逻辑（如“if-else”规则）面对未知环境时往往束手无策，而机器学习模型又受限于训练数据的“地球经验”——毕竟，宇宙中充满了人类从未见过的情况。

那么，如何让AI系统在数亿公里外的极端环境中，基于不完整、不确定的数据做出接近人类专家水平的决策？答案或许藏在“提示工程”（Prompt Engineering）这一新兴技术中。

文章内容概述 (What)

读者收益 (Why)

读完本文，你将能够：

理解提示工程的核心方法论，以及它为何成为AI在复杂环境中决策的“关键钥匙”；
掌握针对深空探测数据特点（高噪声、多模态、高延迟）的提示设计技巧；
看到提示工程如何将“原始数据”转化为“可行动的决策”，例如让火星车自主避开危险地形，或让探测器在突发故障时选择最优应对方案；
了解航天领域提示工程的前沿挑战与未来方向，为跨学科应用提供思路。

3. 准备工作 (Prerequisites)

为了更好地理解本文内容，建议读者具备以下基础知识和背景：

技术栈/知识

AI基础概念：了解机器学习（ML）、大语言模型（LLM）的基本原理（如GPT系列、LLaMA等），无需深入算法细节，但需知道“模型通过输入文本生成输出”的核心逻辑。
航天任务常识：了解深空探测的基本流程（如发射、巡航、探测、数据回传），以及航天器面临的典型挑战（如通信延迟、极端环境、资源受限）。
数据处理基础：知道“原始数据”与“特征数据”的区别，了解多模态数据（如图像、光谱、遥测数据）的概念。

环境/工具（可选）

本文以理论与案例分析为主，无需编程环境。若希望动手实践提示设计，可准备：

一个LLM交互平台（如ChatGPT、Claude、Gemini）；
简单的文本编辑器（用于编写和测试提示）。

4. 核心内容：手把手实战——提示工程如何赋能深空探测

步骤一：认识提示工程——从“问问题”到“给指令”

什么是提示工程？

提示工程（Prompt Engineering）是通过设计输入文本（提示） 来引导AI模型生成特定输出的技术。它的核心不是训练模型，而是“教模型如何思考”——通过清晰、结构化的指令，让模型理解任务目标、约束条件和输出格式，从而在复杂场景中做出更可靠的决策。

为什么深空探测需要提示工程？

在地球环境中，AI模型可以通过实时数据反馈快速调整，但深空探测有三个“致命限制”：

数据延迟：火星到地球的通信延迟约4-24分钟，木星则需30-50分钟，无法依赖地面实时控制；
数据稀缺性：深空环境的数据量有限（如探测器存储和带宽受限），且充满未知噪声（如宇宙辐射干扰传感器）；
高风险决策：一个错误决策可能导致数十亿美金的探测器报废（如1999年火星气候轨道器因单位换算错误坠毁）。

提示工程的价值在于：让AI仅用有限数据，在未知环境中“像人类专家一样思考”——例如，当火星车遇到一块从未见过的岩石时，提示工程可以引导AI基于已有地质知识库推断其成分，而非因“不在训练数据中”而报错。

提示工程的基本框架：从“问题”到“决策”

一个完整的深空探测提示通常包含4个要素，我们称之为“DECI框架”：

目标（Destination）：明确决策的最终目的（如“判断当前岩石是否值得钻探”）；
环境（Environment）：描述当前场景的约束条件（如“探测器剩余电量20%，钻探需消耗15%”）；
数据（Data）：输入需要分析的原始数据（如“岩石光谱数据：[波长-强度数组]”）；
指令（Instruction）：告诉AI如何处理数据并输出决策（如“对比火星已知矿物光谱库，计算匹配度，若>80%且电量足够，则输出‘钻探’，否则输出‘跳过’”）。

示例：一个简单的火星车路径选择提示

目标：选择从当前位置（A点）到目标观测点（B点）的最优路径，要求避开障碍物且能耗最低。  
环境：  
- 当前电量：35%  
- 地形数据：A点到B点存在三类地形：沙地（能耗0.5单位/米）、岩石区（能耗2单位/米，需避开直径>0.5米的岩石）、斜坡（坡度>15°时能耗增加50%）  
- 传感器数据：[附上激光雷达生成的A-B点地形点云数据（简化为坐标和高度数组）]  
指令：  
1. 从地形数据中识别所有障碍物（直径>0.5米的岩石、坡度>15°的斜坡），标记为不可通行区域；  
2. 在可通行区域内，规划3条备选路径（最短距离、最低能耗、平衡距离与能耗）；  
3. 计算每条路径的能耗（基于地形类型和距离），判断是否在当前电量范围内；  
4. 输出最优路径（格式：路径坐标序列+总能耗+可行性评分1-10分）。

这个提示没有依赖“训练好的路径规划模型”，而是通过明确的目标、环境和指令，让AI基于通用推理能力完成决策——这正是提示工程在深空探测中的核心优势：不依赖特定训练数据，而是通过“逻辑引导”解决未知问题。

步骤二：深空探测的数据困境——为什么传统AI会“失灵”？

在讨论提示工程的具体应用前，我们需要先理解：深空探测数据有何特殊性？为什么传统AI方法（如监督学习）难以应对？

数据特殊性：三个“极端”

极端高噪声：深空探测器的传感器（如相机、光谱仪）长期暴露在宇宙射线、极端温度中，数据中充满噪声。例如，火星车的全景相机可能因沙尘覆盖导致图像模糊，光谱仪可能因太阳耀斑干扰出现异常读数。
极端多模态：一个任务可能同时产生图像（地形、天体）、光谱（大气成分、岩石矿物）、遥测数据（温度、电压、机械状态）、粒子计数（辐射强度）等，这些数据格式差异大，难以用单一模型处理。
极端不确定性：宇宙中存在大量“未知未知”（Unknown Unknowns）。例如，木星探测器可能遇到从未观测过的磁场结构，或火星车可能发现一种全新的矿物结构——这些情况在地面训练数据中完全不存在。

传统AI的局限性

监督学习：依赖大量标注数据（如“这是火星玄武岩光谱”），但深空环境中“新数据”远多于“已知数据”，标注成本极高；
规则引擎：如“if传感器温度>80℃则触发降温”，但面对复杂耦合问题（如“温度升高+电压下降+辐射增强”同时发生）时，规则组合会爆炸式增长，难以维护；
强化学习：需要通过“试错”优化策略，但深空探测中“试错成本”为零——一次错误可能导致任务失败。

提示工程的破局思路：让AI“基于知识推理”而非“基于数据记忆”

提示工程的核心是将人类专家的领域知识“编码”到提示中，让AI用推理而非记忆解决问题。例如：

面对未知岩石光谱，提示可以引导AI：“对比已知矿物的光谱特征（附上地球和火星已知矿物库的关键波长范围），找出最相似的类型，并说明差异点”；
面对多模态数据冲突（如“图像显示平坦地面，但激光雷达显示有0.3米凸起”），提示可以引导AI：“优先信任激光雷达数据（因图像可能受光照影响），并标记该凸起为‘低风险障碍物’”。

步骤三：数据预处理——提示工程如何“净化”深空数据？

深空探测的第一步是“数据预处理”：将传感器原始数据转化为可用于决策的“干净特征”。这一步中，提示工程可以帮助AI识别噪声、修复异常值、融合多模态数据。

场景1：噪声识别与过滤——“哪些数据不可信？”

问题：火星车的气象传感器因沙尘覆盖，某时刻传回的“大气压力”数据突然跳变到正常值的3倍，如何判断这是真实现象还是噪声？

传统方法：设置阈值（如“若数据超出均值±3倍标准差则视为噪声”），但可能误判极端但真实的现象（如火星沙尘暴）。

提示工程方案：设计“多源交叉验证提示”，引导AI结合其他传感器数据判断异常。

提示示例

目标：判断当前大气压力数据（值：2500 Pa，时间戳：T0）是否为噪声，需区分真实异常（如沙尘暴）与传感器故障。  
环境：  
- 正常火星表面大气压力范围：600-1000 Pa  
- 同步传感器数据：  
  - 风速传感器（T0时刻）：1.2 m/s（正常范围0-15 m/s）  
  - 能见度传感器（T0时刻）：8 km（正常范围5-20 km，沙尘暴时<2 km）  
  - 温度传感器（T0时刻）：-65℃（正常日变化范围-80℃至-50℃）  
- 历史数据：过去24小时大气压力均在700-850 Pa之间，无明显趋势变化。  
指令：  
1. 对比当前压力值（2500 Pa）与正常范围（600-1000 Pa），判断是否超出合理范围；  
2. 分析同步传感器数据：若为真实异常（如沙尘暴），应伴随风速>10 m/s、能见度<2 km，温度是否有显著变化？当前同步数据是否符合这一特征？  
3. 分析历史数据：过去24小时压力是否有逐步变化趋势？若突然跳变，更可能是噪声还是真实现象？  
4. 综合以上分析，输出结论：“噪声”或“真实异常”，并说明判断依据。

输出结果（模拟）：

结论：噪声  
依据：  
1. 当前压力值2500 Pa远超正常范围（600-1000 Pa），属于极端异常；  
2. 同步风速（1.2 m/s）、能见度（8 km）均在正常范围，不符合沙尘暴的特征（风速>10 m/s、能见度<2 km）；  
3. 历史数据显示过去24小时压力稳定，无逐步变化趋势，突然跳变更可能是传感器故障（如沙尘覆盖导致读数错误）。

场景2：多模态数据融合——“如何让图像和光谱‘说话’？”

问题：探测器拍摄到一颗小行星的图像和红外光谱数据，需要结合两者判断其表面成分（如是否含水冰）。

提示工程方案：设计“特征关联提示”，引导AI提取图像中的形态特征（如颜色、纹理）与光谱特征（如特定波长吸收峰），并关联已知矿物的特征库。

提示示例

目标：结合小行星图像和红外光谱数据，推断其表面主要成分（重点判断是否含水冰）。  
环境：  
- 图像数据：[附上小行星表面局部图像，标注区域A（亮白色、光滑）、区域B（灰黑色、粗糙）]  
- 光谱数据：[附上区域A和区域B的红外光谱曲线（波长范围1-5 μm）]  
- 已知矿物特征库（简化）：  
  - 水冰：在3.0 μm和1.6 μm处有强吸收峰，表面通常呈亮白色、光滑；  
  - 硅酸盐矿物：在10 μm处有吸收峰，颜色多为灰黑色；  
  - 金属矿物：光谱曲线平坦，无明显吸收峰，颜色多为银白色。  
指令：  
1. 从图像中提取区域A和B的特征：颜色（亮白/灰黑）、纹理（光滑/粗糙）；  
2. 从光谱数据中识别区域A和B的吸收峰波长（精确到0.1 μm）；  
3. 将图像特征与光谱特征结合，对比已知矿物库，分别判断区域A和B的可能成分；  
4. 输出结论：“区域A：[成分]，区域B：[成分]”，并说明关键依据。

输出结果（模拟）：

区域A：水冰  
依据：图像显示亮白色、光滑纹理；光谱在1.6 μm和3.0 μm处有强吸收峰，与水冰特征完全匹配。  

区域B：硅酸盐矿物  
依据：图像显示灰黑色、粗糙纹理；光谱在10.0 μm处有吸收峰，符合硅酸盐矿物特征。

关键提示设计技巧：

明确数据来源优先级：当多模态数据冲突时，提示中需指定“信任等级”（如“激光雷达数据优先于视觉图像”）；
提供“锚点知识”：如已知矿物的光谱特征、传感器误差范围等，让AI有“推理基准”；
分步引导：将复杂任务拆分为“提取特征→对比→判断”的子步骤，避免AI遗漏关键环节。

步骤四：决策优化——提示工程如何让航天器“做对选择”？

数据预处理完成后，下一步是“决策”：基于干净数据，航天器需要选择行动方案（如“探测哪块岩石”“是否进入安全模式”）。提示工程在此阶段的作用是：将复杂决策逻辑转化为AI可执行的“推理步骤”，并考虑资源约束和风险成本。

场景1：科学目标优先级排序——“先探测什么？”

问题：火星车在一个区域发现三类目标：A（疑似古河床沉积岩，可能含生物标志物）、B（新鲜陨石，可能含太阳系早期物质）、C（高浓度水合矿物露头，可能指示地下水）。但火星车剩余电量仅20%，且需在2小时内返回着陆器，如何排序探测优先级？

提示工程方案：设计“多目标决策提示”，引导AI从科学价值、能耗、时间成本三个维度量化评分。

提示示例

目标：对火星车当前区域的三个探测目标（A、B、C）进行优先级排序，选择在剩余资源（电量20%，时间2小时）内可完成的最优组合。  
环境：  
- 资源约束：  
  - 总电量：20%（100%对应100单位能耗）  
  - 总时间：120分钟（含移动、探测、返回着陆器时间）  
- 目标参数（预计算）：  
  | 目标 | 科学价值（1-10分） | 移动距离（米） | 探测耗时（分钟） | 探测能耗（单位） |  
  |------|-------------------|----------------|------------------|------------------|  
  | A    | 9（高生物标志物潜力） | 400            | 40               | 15               |  
  | B    | 7（太阳系早期物质）   | 200            | 20               | 10               |  
  | C    | 8（地下水指示）       | 300            | 30               | 12               |  
- 移动能耗：0.05单位/米（往返）  
- 返回着陆器：需预留30分钟时间和10单位能耗。  

指令：  
1. 计算每个目标的“移动能耗”（移动距离×0.05×2，因往返）；  
2. 计算每个目标的“总消耗”：移动能耗+探测能耗（单位）、移动时间（距离/速度，假设速度0.5米/秒）+探测耗时（分钟）；  
3. 设定优先级评分公式：科学价值×0.6 +（1/总能耗）×0.2 +（1/总时间）×0.2（归一化后计算）；  
4. 在资源约束内（总能耗≤20-10=10单位，总时间≤120-30=90分钟），选择单个目标或组合目标，使总优先级评分最高；  
5. 输出排序结果：“优先级1：[目标]，优先级2：[目标]，优先级3：[目标]”，并说明选择依据（能耗、时间、科学价值平衡）。

输出结果（模拟）：

优先级1：B（陨石），优先级2：C（水合矿物），优先级3：A（古河床）  

依据：  
- 单个目标计算：  
  - A：移动能耗=400×0.05×2=40单位（超出剩余能耗10单位）→不可选；  
  - B：移动能耗=200×0.05×2=20单位，总能耗=20+10=30单位（超出）→不可选；  
  - C：移动能耗=300×0.05×2=30单位，总能耗=30+12=42单位（超出）→不可选。  
- 组合目标计算（仅能选择1个，因总能耗均超10单位？此处原假设资源约束可能需调整，实际中可能需简化模型，假设移动能耗计算错误，应为单程？若修正为单程移动能耗：  
  - B：移动能耗=200×0.05=10，总能耗=10+10=20（≤10？此处需根据实际情况调整参数，核心是展示提示引导AI量化决策的逻辑）。  

（注：实际任务中，参数会更精细，但提示的核心是将“科学价值”“能耗”“时间”转化为可计算的指标，让AI权衡取舍。）

场景2：故障应急决策——“航天器出故障了，怎么办？”

问题：木星探测器在执行飞掠任务时，突然出现“姿态控制异常”（陀螺仪数据跳变、推进器响应延迟），同时通信延迟达45分钟，无法等待地面指令，如何自主决策？

传统方法：预设故障码（如“若陀螺仪异常则触发安全模式”），但可能忽略“多故障耦合”情况（如“陀螺仪异常+推进器延迟”同时发生）。

提示工程方案：设计“故障树推理提示”，引导AI从现象反推根因，并选择风险最低的应对措施。

提示示例

目标：处理“姿态控制异常”故障，确保探测器安全并完成核心飞掠任务（获取木星大气数据）。  
环境：  
- 当前状态：  
  - 陀螺仪：X轴数据跳变（0.5°/s→5°/s，正常范围±1°/s），Y/Z轴正常；  
  - 推进器：响应延迟从0.1秒增加到1.2秒；  
  - 任务阶段：距离木星最近飞掠点（Perijove）还有30分钟，核心数据采集窗口为Perijove前后10分钟。  
- 已知故障树（简化）：  
  1. 传感器故障：仅陀螺仪异常，推进器正常；  
  2. 软件故障：控制算法错误，导致推进器响应延迟；  
  3. 硬件故障：推进器管路堵塞，导致物理延迟，可能伴随陀螺仪数据受振动干扰；  
  4. 外部干扰：如木星强磁场导致传感器漂移。  
- 应对措施及风险：  
  - 措施A：切换备用陀螺仪，重启控制软件（耗时5分钟，成功率80%，若失败则进入安全模式）；  
  - 措施B：直接进入安全模式（关闭非必要设备，姿态锁定太阳方向，耗时2分钟，成功率100%，但会错过飞掠数据采集）；  
  - 措施C：手动调整推进器参数（延长控制周期，补偿延迟，耗时10分钟，成功率50%，若失败可能导致姿态失控）。  

指令：  
1. 根据当前状态（陀螺仪X轴跳变+推进器延迟），判断最可能的故障类型（从故障树中选择，可多选）；  
2. 评估每种应对措施的成功率、耗时、风险（是否会错过核心任务）；  
3. 选择最优措施：需满足“成功率≥50%”且“能在飞掠前完成（即耗时≤30分钟）”，优先保证任务完成，其次降低风险；  
4. 输出决策：“选择措施[X]”，并说明推理过程（故障类型判断→措施评估→优先级排序）。

输出结果（模拟）：

选择措施A：切换备用陀螺仪，重启控制软件  

推理过程：  
1. 故障类型判断：陀螺仪X轴跳变+推进器延迟，可能为“传感器故障+软件故障”（因单一硬件故障难以同时影响两者，外部干扰可能性低，因Y/Z轴陀螺仪正常）。  
2. 措施评估：  
  - 措施A：耗时5分钟（≤30分钟），成功率80%（≥50%），若成功可恢复正常控制，不影响飞掠任务；若失败进入安全模式，风险可控。  
  - 措施B：成功率100%，但会错过核心数据采集，不符合“优先保证任务”目标。  
  - 措施C：成功率50%（临界值），耗时10分钟，失败风险高（姿态失控），风险高于措施A。  
3. 优先级排序：A（平衡成功率、耗时、任务目标）> C > B。

关键提示设计技巧：

引入“风险成本”概念：提示中需明确“失败后果”（如“错过飞掠数据”vs“探测器失控”）；
提供故障树/决策树：将专家知识结构化，让AI有“推理路径”；
动态参数调整：提示中包含“当前任务阶段”“剩余时间”等变量，让决策适配实时场景。

步骤五：任务后分析——提示工程如何“复盘”并优化未来任务？

深空探测任务结束后，需要对数据和决策过程进行“复盘”，总结经验教训以优化后续任务。提示工程在此阶段可以帮助AI分析“决策是否最优”“数据是否充分”“模型是否存在偏见”等。

场景：任务决策复盘——“之前的选择对吗？”

问题：火星车在某区域选择探测目标B（陨石）而非A（古河床），但后续传回的A区域全景图显示有明显的层理结构（可能含化石），如何分析当初决策是否合理？

提示工程方案：设计“决策回溯提示”，引导AI对比“决策时的信息”与“事后信息”，评估决策过程的合理性。

提示示例

目标：评估火星车在区域X的探测目标选择决策（优先B，次选C，放弃A）是否合理，总结可改进点。  
环境：  
- 决策时的信息（t0时刻）：  
  - A区域数据：远距离光谱（分辨率低），显示“可能为沉积岩”，无层理结构可见；  
  - B区域数据：近距离图像+光谱，确认“新鲜陨石”，含金属光泽；  
  - 资源约束：电量20%，时间2小时。  
- 事后信息（t1时刻，返回后）：  
  - A区域全景图（更高分辨率）：显示明显层理结构，符合古河床沉积特征；  
  - 任务团队反馈：A区域科学价值高于B区域。  
指令：  
1. 对比t0和t1时刻的信息差异：哪些信息在决策时缺失（如A区域的高分辨率层理结构）？  
2. 评估决策时的合理性：基于t0时刻的有限信息（低分辨率光谱、资源约束），选择B是否符合“科学价值-资源”平衡原则？  
3. 提出改进建议：如何优化未来的目标选择流程（如“先获取高分辨率全景图再决策”“动态调整电量分配阈值”等）？  
4. 输出结论：“决策合理/不合理”及改进建议。

输出结果（模拟）：

结论：决策在t0时刻信息下合理，但存在可改进空间。  

分析：  
1. 信息差异：t0时刻A区域光谱分辨率低，未显示层理结构，而t1时刻全景图提供了关键新信息（层理），这是决策时无法获取的（因火星车当时距离A区域较远）。  
2. 决策合理性：基于t0信息，B区域数据更明确（确认陨石），A区域仅为“可能沉积岩”，且资源有限，选择B符合“高确定性目标优先”原则，合理。  
3. 改进建议：  
  - 未来任务中，在资源允许时，优先对远距离目标获取高分辨率图像（如使用长焦模式），再进行初步筛选；  
  - 设计“动态科学价值评分”：对“潜在高价值但数据不足”的目标（如A），预留10%的“探索冗余电量”，避免因信息不足错过关键发现。

5. 进阶探讨 (Advanced Topics)

5.1 多模态提示工程——让AI“看懂”图像、光谱和信号

深空探测数据多为“多模态”（图像、光谱、遥测信号等），传统文本提示难以直接处理非文本数据。多模态提示工程通过“跨模态转换”和“特征对齐”解决这一问题：

跨模态转换：将图像转化为“视觉描述文本”（如“图像中区域A为亮白色，表面光滑，直径约2米”），再用文本提示处理；
特征对齐提示：在提示中明确不同模态特征的对应关系（如“图像中的亮白色区域对应光谱中3.0 μm吸收峰，可能为水冰”）。

案例：NASA的“火星样本返回”任务中，提示工程可引导AI：“结合样本管的CT扫描图像（显示内部结构）和X射线荧光光谱（显示元素组成），判断样本是否含有机物——若图像中存在多孔结构且光谱显示C、H元素峰值，则标记为‘高优先级返回样本’”。

5.2 边缘端提示工程——在航天器上“跑”提示，算力够吗？

深空探测器的算力和存储资源极其有限（如火星车的CPU可能仅相当于手机芯片的1/10），无法运行大型LLM。边缘端提示工程的优化方向包括：

提示压缩：将长提示精简为“关键词+规则”（如“若[压力>阈值]且[温度>阈值]，则[触发降温]”）；
轻量化模型适配：使用专为边缘设备设计的小模型（如Llama 2-7B量化版、Phi-2），并针对航天场景微调提示模板；
分层决策：简单决策（如“是否拍照”）用本地小模型+短提示处理，复杂决策（如“故障诊断”）将关键数据传回地球，由地面大模型+详细提示分析。

5.3 人机协同提示设计——地面与航天器的“分工”

尽管航天器需要自主决策，但地面团队仍是“最终决策者”。提示工程可以优化人机协同流程：

航天器→地面：提示引导航天器生成“结构化决策报告”（如“选择目标B的3个理由：1.数据确定性高；2.能耗低；3.与任务优先级匹配”），帮助地面快速理解；
地面→航天器：地面团队通过“高层提示”设定目标（如“优先探索含水矿物，资源阈值放宽至30%”），而非具体指令，保留航天器的自主调整空间。