大语言模型（LLM）智能体通过交互不断得到改进，然而大多数自我进化方法要么单独调整策略，要么单独调整学习环境。我们将这种结构性问题称为“智能体-环境不匹配”：智能体的能力边界在训练过程中发生变化，而提供监督的环境却保持静态，或仅与智能体暴露出的失败弱耦合。我们提出了 SEAL，一个用于交互式工具使用智能体的闭环共进化框架。SEAL 在可执行验证下收集在线策略轨迹，将失败的回合诊断为回合级失败标签，并将这些诊断作为环境和模型侧策略优化的共享信号。环境通过暴露更清晰的工具功能提示、约束信息和面向恢复的反馈来进化其训练时的学习界面，而策略则通过诊断引导的优势重新加权进行更新。在分布内和分布外多轮工具使用评估上的大量实验表明，SEAL 改进了低资源智能体学习：仅用 400 个训练样本，就在三个骨干网络上获得了 +8.25 到 +26.25 的平均分提升，并展现出积极的分布外迁移。这些结果证明了联合调整学习器及其训练时学习基底对于鲁棒自改进 LLM 智能体的价值。