الذكاء العامل المتقدم هو شرط أساسي لتطبيق نماذج اللغة الكبيرة في التطبيقات العملية الواقعية. فالمتطلبات المتنوعة للواجهات البرمجية الحقيقية تتطلب ذكاءً دقيقًا وقويًا في استدعاء الوظائف، مما يستدعي من الوكلاء تطوير هذه القدرات من خلال التفاعل في بيئات متنوعة. وترتبط مدى كفاءة الوكلاء في استدعاء الوظائف ارتباطًا وثيقًا بتنوع البيئات التي يتم تدريبهم عليها. في هذا العمل، نُوسع نطاق البيئات كخطوة نحو تطوير الذكاء العامل العام. وهذا يُولِّد تحديين رئيسيين: (أولًا) كيف يمكن توسيع البيئات بطريقة منهجية، و(ثانيًا) كيف يمكن تدريب القدرات العاملة بشكل فعّال من خلال الخبرات المكتسبة من التفاعل مع هذه البيئات. ولحل هذه التحديات، صممنا إطارًا قابلاً للتوسع، يُنشئ تلقائيًا بيئات متنوعة تمامًا مُحاكاةً بشكل كامل، مما يوسع بشكل منهجي فضاء سيناريوهات استدعاء الوظائف. ونُعدّل أيضًا استراتيجية تحسين الوكيل على مرحلتين: أولًا، تزويد الوكلاء بالقدرات العاملة الأساسية، ثم تخصيصهم لسياقات محددة حسب المجال. وتشير التجارب الواسعة على معايير الوكيل (tau-bench، tau2-Bench، وACEBench) إلى أن النموذج المدرب لدينا، AgentScaler، يُحسّن بشكل ملحوظ من قدرة النماذج على استدعاء الوظائف.