数据代理在 ReAct 风格的循环中已经能够执行复杂的结构化数据分析工作流，但它们的中间推理仍然几乎全部通过文本进行。相比之下，人类分析师会在数字、表格和图表之间切换，利用可视化证据发现文本摘要遗漏的趋势和异常。我们探讨图表能否作为数据代理推理循环中的内部认知行动，以及如何教会代理使用图表。
我们首先构建了 \probe{}，一个包含 200 项受控任务的套件，覆盖四种匹配的交互界面。实验发现，代理能够读取图表的能力与实际选择使用图表的频率之间存在持续的差距。虽然代理在自生成图表上的得分与数值输出相当，但仅提供绘图权限并不足以保证一致使用。任务切片显示，图表在时间序列、模式识别和异常检测推理上表现突出，而文本在精确读取和条件验证上更有优势。
基于此，我们提出了 \method{}，它从条件化的轨迹回滚中提炼出两类经验：一类记录如何选择和验证分析操作，另一类记录何时调用文本、图表或两者兼用。轨迹评判器对结果进行打分并标注中间步骤，验证门仅接受能够提升持出性能的经验。
在三个持出基准上，使用四种不同的 LLM 主干模型进行评估，\method{}显著提升了分析准确率和可视化证据质量。即使是从未绘制过图表的模型，也在无需修改模型参数的情况下开始使用图表。
点评：本工作展示了将可视化作为认知工具嵌入大语言模型推理循环的可行性，并提供了系统化的经验蒸馏框架，为提升数据分析型代理的多模态推理能力提供了新思路。