多模态大语言模型（MLLM）在图表理解与推理方面取得了显著进展，但在不同图表类型上的表现差异巨大。主流 MLLM 在常见图表上表现良好，却在结构多样、推理需求复杂的长尾图表上准确率急剧下降。虽然工具增强的代理能够通过引入专门的视觉能力提升复杂图表推理，但针对异构且不断演化的长尾图表手工设计策略和工具难以规模化。为此我们提出 ChartEvo，一种递归自我改进框架，使图表代理能够通过经验驱动的 harness 级自我提升来适应表现不佳的图表类型。ChartEvo 同时演化可复用的图表专属 Skills 与可执行的 Tools，并学习可复用的局部工具调用链，以组合进化后的能力并控制工具增强推理的开销。实验在 ChartBench 与 ChartX 的长尾图表上进行，ChartEvo 相比其基础模型 Qwen3.7-Plus 将准确率分别提升了 45.6% 与 32.5%，验证了递归自我改进在长尾图表适配中的有效性。
点评：ChartEvo 展示了通过自我进化和模块化工具链实现对多样化图表的自适应能力，为提升 MLLM 在真实场景中的鲁棒性提供了新思路。