대규모 언어 모델(LLMs)은 자동화된 프로그램 복구(APR) 분야에서 발전을 이루었지만, 두 가지 한계가 남아 있습니다. 첫째, 원시적인 실행 추적(raw execution traces)은 종종 너무 크고 반복적이어서 효과적인 모델 컨텍스트로 사용되기 어렵습니다. 둘째, 반복적인 패치 샘플링은 서로 다른 근본 원인 가설이나 복구 전략을 도출하지 못한 채 다양한 구현체를 생성할 수 있습니다. 본 논문에서는 정적 및 동적 증거를 쿼리 가능한 코드 속성 그래프(Code Property Graph, CPG)와 시간적 실행 그래프(Temporal Execution Graph, TEG)로 표현하는 에이전트 기반 APR 프레임워크인 CT-Repair를 제시합니다. CT-Repair는 세 단계의 필터링 파이프라인을 적용하여 간결한 TEG를 구성합니다. 세 개의 유한 상태 기계(finite-state-machine)-가이드 에이전트가 각 버그를 정적, 동적, 하이브리드 관점에서 분석하고 독립적으로 증거 기반의 복구 전략을 생성합니다. 전략 가이드 생성 절차는 이러한 전략들을 후보 패치로 구체화하고 검증 피드백을 사용하여 가장 유망한 전략을 개선합니다. 우리는 Defects4J v3.0에서 가져온 854개의 Java 버그에 대해 CT-Repair를 평가했습니다. 혼합 모델 구성(mixed-model configuration)에서 CT-Repair는 489개의 버그를 성공적으로 복구했습니다. 제어된 GPT-5.4-mini 구성을 사용했을 때, 이는 ReinFix와 RepairAgent보다 각각 19개, 30개 더 많은 388개의 버그를 복구했습니다. 세 가지 증거 관점의 결합은 가장 강력한 개별 관점보다 99개의 버그를 더 많이 복구했습니다. 또한 필터링 파이프라인은 런타임 증거를 압축하여, 실행 필터링(execution filtering)을 통해 평균적으로 후보 메서드 범위를 94.85% 좁혔고, 동작 필터링(behavior filtering)을 통해 보존된 런타임 기록을 추가로 55.97% 감소시켰습니다. 이러한 결과는 구조화된 런타임 증거와 다중 관점 추론이 단순히 더 큰 패치 생성 예산에 의존하지 않고도 복구 효과를 향상시킬 수 있음을 보여줍니다.