通过引入外部工具，大型语言模型（LLMs）能够执行复杂的多步骤任务。然而，工具学习受限于静态的合成数据流水线——数据生成与模型训练作为两个独立且非交互的过程分别进行。这种方法无法动态聚焦于模型的具体薄弱环节，且允许噪声标签持续存在，从而降低训练效率。为此，我们提出LoopTool，一种完全自动化、模型感知的数据演化框架，通过紧密集成数据合成与模型训练，实现了闭环优化。LoopTool通过三个协同工作的模块，迭代地优化数据与模型：（1）贪婪能力探测（Greedy Capability Probing, GCP）用于诊断模型已掌握与未能掌握的能力；（2）判断引导的标签验证（Judgement-Guided Label Verification, JGLV）利用开源评判模型识别并修正标注错误，逐步净化数据集；（3）错误驱动的数据扩展（Error-Driven Data Expansion, EDDE）基于识别出的失败案例生成新的、更具挑战性的样本。该闭环流程运行在一个成本低廉、开源的生态系统中，无需依赖昂贵的闭源API。实验结果表明，使用LoopTool训练的8B模型显著优于其32B数据生成器，并在同规模模型中于BFCL-v3与ACEBench基准测试上达到新的最先进水平。本研究证明，闭环、自我优化的数据流水线能够显著提升大型语言模型的工具使用能力。