知识卡片：图表作为经验驱动型智能体数据分析的认知动作

一句话结论

论文提出让图表成为数据智能体推理循环中的“认知动作”（epistemic actions），并通过从轨迹中蒸馏经验来教会智能体在文本与图表之间切换；实验显示该方法提升了分析准确率与视觉证据质量，且无需改动模型参数。

事件概述或研究问题

基于 ReAct 风格循环的数据智能体已能对结构化数据执行复杂分析工作流，但其中间推理几乎仍完全通过文本进行。人类分析师则在数字、表格与图表之间往返，读取视觉证据以暴露文本摘要会遗漏的趋势与异常。论文追问两件事：图表能否作为数据智能体推理循环内部的认知动作？如何教智能体使用它们？

方法/产品要点

• \probe{} 评测套件：200 个受控任务，覆盖四种匹配的接口条件，用于测量智能体在“能读什么”与“选择用什么”之间的差距。
• \method{} 经验蒸馏方法：从条件化轨迹 rollout 中蒸馏两类经验。一类记录如何选择与验证分析操作；另一类记录何时调用文本、图表或两者兼用。
• 轨迹评判器（trajectory judge）：对结果打分并标注中间步骤；配合验证门（validation gate），只接纳能提升留出集表现的经验。
• 不改参数：整个方法不触碰模型参数，属于经验/上下文层面的增强。

主要结果或产业意义

• 存在持续差距：智能体从自生成图表中获得的分数与从数值输出中获得的分数相当，但“有绘图权限”并不转化为“稳定使用图表”。
• 任务切片显示分工：图表在时间、模式与异常推理上占优；文本在精确读数与条件验证上占优。
• 在三个留出基准、四个 LLM 骨干上，\method{} 相比匹配基线提升了分析准确率与视觉证据质量；从未画过图的骨干也开始使用图表，且全程未改动模型参数。

为什么重要

它把“可视化”从输出呈现手段重新定位为推理过程中的认知动作，并给出可操作的训练路径（经验蒸馏＋验证门），为数据智能体的多模态推理设计提供了不依赖微调的替代方案。

局限与不确定性

• 具体基准名称、四个骨干模型的身份、提升幅度的数值：待核实（摘要未给出）。
• 验证门依赖留出集表现，其对分布外任务的泛化性：待核实。
• 200 任务套件的任务类型覆盖范围与生态效度：待核实。
• 论文为 arXiv 预印本（2610.30072v1，2026-10-21），尚未确认同行评审状态。

可用于图书/PPT/简报的角度

• “能读≠会用”：能力与偏好之间的鸿沟，可作为智能体设计的通用议题。
• 图表作为推理动作，而非报告插图——重新定义可视化的角色。
• 文本与图表的分工地图：时间/模式/异常 vs 精确读数/条件验证。
• 不改参数的经验蒸馏：一种轻量级的智能体能力注入范式。

与既有脉络的关系

与“Agentic Harnesses”卡片同属“在智能体循环中加入验证/评判层”的思路，但本条把评判用于筛选经验而非审查动作安全性；与“自动合成”卡片同属提升分析工作流自动化，但聚焦中间推理的模态选择而非元分析流程编排。增量信息：首次系统测量“绘图权限”与“绘图使用”之间的差距，并给出经验蒸馏式的弥合方法。

原始材料

• 标题：Charts as Epistemic Actions for Experience-Driven Agentic Data Analysis
• 作者：Xinzhe Wang, Xudong Weng, Zang Li, Shaolei Zhang
• arXiv ID：2610.30072v1（cs.AI），提交于 2026-10-21
• 摘要页：https://arxiv.org/abs/2610.30072v1
• PDF：https://arxiv.org/pdf/2610.30072v1
• 关键词：epistemic actions；agentic data analysis；ReAct-style loops；experience distillation；trajectory judge；validation gate；visual evidence