代理任务（agentic tasks）是指需要自主性、工具使用和适应性推理的多步骤问题解决任务，这些任务在自然语言处理（NLP）和人工智能（AI）的发展中变得越来越重要。然而，现有的指令数据缺乏工具交互，而当前的代理基准测试依赖于昂贵的人工标注，这限制了它们的可扩展性。为此，我们引入了\textsc{TaskCraft}，这是一种自动生成具有难度可调、多工具使用和可验证性的代理任务及其执行轨迹的工作流。TaskCraft通过基于深度和宽度的扩展方法来扩展原子任务，从而创建结构上和层次上复杂的挑战。实证结果表明，这些任务在生成工作流中改进了提示优化，并增强了对代理基础模型的监督微调。我们提供了一个大规模的合成数据集，包含约36,000个不同难度的任务，以支持未来关于代理调优和评估的研究。