대규모 언어 모델(Large Language Models (LLMs))은 테스트 접두사(test prefix)가 주어지고 현재 프로그램 버전을 기대되는 동작으로 취급하는 회귀 오라클 완성(regression-oracle completion) 분야에서 강력한 잠재력을 보여주었습니다. 최근의 접근 방식들은 반복적인 자가 수정(self-repair)과 실행 피드백(execution feedback)에 점점 더 의존하고 있지만, 실행 성공(execution success)을 최적화하는 것이 반드시 강력한 결함 탐지 오라클(fault-revealing oracles)을 생성하는 것은 아닙니다. 수정 기반 방법론에서 널리 채택되는 이러한 목표는 단지 대리 지표(proxy)로 작용할 뿐이며, 오라클 생성의 진정한 목표와 일치하지 않을 수 있습니다. 이러한 불일치는 수정 과정을 편향시켜, 우리가 '자가 수정의 함정(Self-Repair Trap)'이라고 명명한 피드백 주도적 퇴화(feedback-driven degeneration)를 일으킵니다. 즉, 반복적인 수정이 모델을 충족하기는 더 쉽지만 결함을 탐지하는 데에는 덜 효과적인 어설션(assertions) 쪽으로 점진적으로 몰아넣게 됩니다. 이 문제를 해결하기 위해, 우리는 다회차 수정보다 높은 신호 대 잡음비(signal-to-noise)를 가진 문맥적 근거 설정(contextual grounding)을 우선시하는 계산 효율적인 비반복적 프레임워크인 DCAware를 제안합니다. DCAware는 구조화된 정적 문맥(static context)과 선택적으로 검색된 동적 상태(dynamic states)를 통합하여, 반복적인 피드백 루프 없이도 정밀하고 견고한 오라클 생성을 가능하게 합니다. 실행 및 변이 테스트(mutation testing)를 기반으로 한 광범위한 실험 결과, DCAware는 높은 실행 성공률을 유지하면서도 결함 탐지 효과를 일관되게 개선하였으며, 훨씬 낮은 계산 비용으로 이전 방법들을 능가했습니다. 우리의 결과는 연구된 회귀 오라클 설정에서 문맥의 품질을 개선하는 것이 반복적인 수정의 복잡성을 추가하는 것보다 더 효과적임을 시사합니다.