L’intelligence agente avancée est une condition préalable au déploiement des grands modèles linguistiques dans des applications concrètes et réelles. Les nombreuses API du monde réel exigent une intelligence précise et robuste pour l’appel de fonctions, ce qui nécessite que les agents développent ces capacités par l’interaction dans des environnements variés. La portée de la compétence en appel de fonctions est étroitement corrélée à la diversité des environnements dans lesquels les agents sont formés. Dans ce travail, nous élargissons les environnements comme une étape vers l’avancement de l’intelligence agente générale. Cela soulève deux défis centraux : (i) comment échelonner les environnements de manière rigoureuse, et (ii) comment entraîner efficacement les capacités agentes à partir des expériences acquises par l’interaction avec ces environnements. Pour relever ces défis, nous proposons un cadre évolutif qui construit automatiquement des environnements hétérogènes entièrement simulés, élargissant systématiquement l’espace des scénarios d’appel de fonctions. Nous adaptons également une stratégie d’ajustement fin en deux phases : premièrement, doter les agents de capacités agentes fondamentales, puis les spécialiser dans des contextes spécifiques à un domaine. Des expérimentations étendues sur des benchmarks agents — tau-bench, tau2-Bench et ACEBench — montrent que notre modèle entraîné, AgentScaler, améliore significativement la capacité d’appel de fonctions des modèles.