编码代理能够通过发现、清洗和连接相关数据来回答数据湖上的分析问题。但每次提问后，它们会丢弃已有工作，下一题重新从头开始。工具进化旨在自动构建并细化可跨任务复用的工具，天然适配这种重复过程。由于数据湖问题的真实标签需要专家先行解答，我们研究无监督设置。我们提出 TEAL（Tool Evolution for Analytics over data Lakes），在没有标签的情况下为给定的 Worker 代理进化工具库和使用技能。两个子代理从互补证据出发提出工具：Explorer 基于数据湖本身的结构和内容，Critic 基于 Worker 的执行轨迹。只有当 Worker 在重新运行时无需额外步骤就采纳该工具，且任何答案变化都有轨迹证据支持时，提议才会被保留。我们还引入 TEAL‑Q，能够在真实问题缺乏时生成合成问题用于工具进化。实验在 KramaBench 与 LakeQA 上使用四种 Worker LLM，设定步骤预算限制每题的最大步骤数。预算为 10 或 15 步时，TEAL 在两套基准上均提升所有 Worker 的表现；在 15 步预算下，Sonnet‑5 在 KramaBench 上提升 9.3 分，在 LakeQA 上提升 21.7 分。更紧的预算还能提供更有效的进化反馈。例如，Sonnet‑5 在 20 步下进化的 LakeQA 库在 30 步不变部署时得分 68.3，超过基线 59.6 和直接在 30 步进化的库 64.2。使用合成问题进化的库与使用真实问题进化的库表现相当。结果表明，在无标签条件下也能成功进化有用工具，期待未来研究探索进化目标及无监督反馈获取方式。点评：TEAL 展示了在资源受限的分析场景中通过自监督机制自动构建可复用工具的潜力，为大模型代理的长期学习提供了新思路。