대규모 언어 모델(LLM) 에이전트는 복잡한 다단계 도구 사용 작업에 대한 잠재력이 크지만, 고품질 훈련 데이터의 극심한 부족으로 인해 개발에 어려움을 겪고 있다. 합성 데이터에 대한 지도 미세 조정(SFT)은 과적합을 유발하고, 표준 강화 학습(RL)은 심각한 콜드 스타트 문제와 훈련 불안정성을 겪는다. 이러한 문제를 해결하기 위해, 본 논문은 사전 수집된 전문가 궤적에 의존하지 않고 문제 인스턴스로부터 직접 복잡한 동작을 학습할 수 있는 새로운 훈련 패러다임인 $\textbf{Environment Tuning}$을 소개한다. $\textbf{Environment Tuning}$은 구조화된 커리큘럼, 시정 피드백을 제공하는 실행 가능한 환경 보강, 안정적이고 효율적인 탐색을 보장하는 세분화된 진행 보상을 통해 이 학습 과정을 조율한다. Berkeley Function-Calling Leaderboard (BFCL) 벤치마크에서 400개의 문제 인스턴스만 사용하여, 제안된 방법은 강력한 기준선에 비해 경쟁력 있는 분포 내 성능을 달성할 뿐만 아니라, SFT 기반 접근 방식에서 흔히 발생하는 성능 붕괴를 극복하며, 우수한 분포 외 일반화를 보여준다. 본 연구는 정적 궤적에 대한 지도 미세 조정에서 동적 환경 기반 탐색으로의 패러다임 전환을 제시하여, 보다 강력하고 데이터 효율적인 에이전트 훈련의 길을 열었다.
