고급형 에이전트 지능은 대규모 언어 모델을 실생활 응용에 도입하기 위한 전제 조건이다. 다양한 실세계 API는 정밀하고 견고한 함수 호출 지능을 요구하며, 이러한 능력을 갖추기 위해 에이전트는 다양한 환경에서의 상호작용을 통해 능력을 개발해야 한다. 함수 호출 능력의 폭은 에이전트가 훈련되는 환경의 다양성과 밀접하게 연관되어 있다. 본 연구에서는 일반화된 에이전트 지능의 발전을 위한 단계로, 환경의 규모를 확장한다. 이 과정에서 두 가지 핵심 도전 과제가 발생한다: (i) 원칙적으로 환경을 어떻게 확장할 것인가, 그리고 (ii) 이러한 환경과의 상호작용을 통해 얻은 경험을 효과적으로 활용해 에이전트 능력을 훈련할 수 있는 방법은 무엇인가. 이를 해결하기 위해, 우리는 완전히 시뮬레이션된 이질적 환경을 자동으로 구축하는 확장 가능한 프레임워크를 설계하였으며, 함수 호출 시나리오의 다양성을 체계적으로 확대하였다. 또한, 두 단계로 나누어 에이전트의 미세조정 전략을 적용한다. 먼저 에이전트에 기초적인 에이전트 역량을 부여한 후, 특정 도메인에 맞게 특화시킨다. 에이전트 기준 평가지표인 tau-bench, tau2-Bench, ACEBench에서 실시한 광범위한 실험 결과에 따르면, 본 연구에서 훈련한 모델인 AgentScaler가 모델의 함수 호출 능력을 크게 향상시킴을 입증하였다.