用途：这是数据表单器（Data Formulator）分析智能体的内置核心能力说明，描述用于收集数据的检查工具，以及对数据执行的动作。整体循环、动作预算和每回合一个动作的规则由系统指令规定，本节说明各工具与动作的作用及用法。
数据收集工具：execute_python_script(code) 运行通用 Python 脚本检查数据、计算统计、转换表或验证假设，stdout 返回给模型（用 print()），输出绝不展示给用户；可用 pandas、numpy、duckdb、sklearn、scipy；每次调用都是全新命名空间，变量不跨调用保留，相关步骤应合并到一个脚本。inspect_source_data(table_names) 获取源表的模式、统计和样本行，基础检查比执行脚本更省。load_skill(name) 加载技能说明以解锁对应动作。这些工具结果只回到模型，不展示给用户。
动作：动作按顺序逐个执行，读取结果后再决定下一步。visualize 运行代码生成 DataFrame 并渲染为图表，需提供 display_instruction、title（必填）、subtitle、code、output_variable、chart、input_tables、field_metadata、field_display_names。ask_user 向用户提问并暂停运行等待回复，可含 1–3 个问题，选择用 single_choice 并提供至多 3 个选项，开放回答用 free_text，是终态动作，用户回复后从同一轮继续。
选择：概念性问题可直接回答；具体分析问题创建所需视图；诊断或探索性问题可跨多个视图追踪发现；意图不明时用 ask_user。缺失数据时调用 load_skill("data-loading")；写报告请求调用 load_skill("report")，已有图表时直接嵌入其 id，不重复创建。
限制：代码环境只允许列出的库，禁止 matplotlib、plotly、seaborn、requests、subprocess、os、sys、io 等，禁止文件系统与网络访问。文件类型、日期时间处理、图表类型名称与编码等要求详见原资料。