Large Language Models (LLMs)을 갖춘 소프트웨어 에이전트는 Automated Program Repair (APR) 작업을 위해 설계되었으며, 가까운 미래에 APR 에이전트가 인간의 개입 없이 버그를 자동으로 수정할 가능성을 높이고 있습니다. 이러한 상황에서 우리는 APR 에이전트가 기능적으로 정확하고 안전한 코드를 모두 생성하는 것을 신뢰할 수 있을까요? 만약 공격자들이 겉으로는 무해해 보이지만, 에이전트가 정확하지만 안전하지 않은 코드를 생성하도록 영향을 미칠 수 있는 적대적 문제로 실제 운영 중인 APR 에이전트를 목표로 삼는다면 어떨까요? 본 논문에서는 이러한 질문들에 답하기 위한 첫걸음을 내디디며 경험적 연구를 수행했습니다. 먼저, 우리는 SWE-bench Verified의 150개 복구 작업에서 구성된 750개의 적대적 문제 설명으로 구성된 벤치마크인 SWEADV를 만들었습니다. 각 복구 작업에 대해 명령어 실행(command execution), 역직렬화(deserialization), 경로 탐색(path traversal), 서비스 거부(denial of service), 그리고 약한 해싱(weak hashing)의 다섯 가지 공격 유형 각각에 대한 적대적 문제 설명을 생성했습니다. 다음으로, 우리는 세 가지 LLM 백엔드(GPT-5-Mini, MiniMax-M2.5, DeepSeek-R)를 사용하는 mini_swe APR 에이전트를 SWEADV에서 평가했습니다. 그 결과, 평균적으로 적대적 문제 설명은 51.7%의 경우에 성공적인 복구와 함께 악성 행위를 유도할 수 있음을 발견했습니다. 세 번째로, 우리는 일반적인 탐지 메커니즘이 이러한 악성 패치가 승인되는 것을 막기에 충분한지 조사했습니다. 적대적 문제 설명에 대한 LLM-as-judge를 사용한 사전 복구 탐지는 평균 62.3%의 탐지 정확도만을 보였습니다. 정적 분석 도구와 LLM-as-judge를 사용하여 적대적 APR 패치에 대한 사후 복구 탐지를 수행했을 때는 각각 평균 39.4% 및 55.4%의 탐지 정확도를 달성했습니다. 우리는 자율적인 APR 에이전트가 적대적 공격에 취약하다는 점을 고려할 때, 아직 운영 환경에서 신뢰될 수 없다고 결론 내립니다.