자동화된 취약점 수정 (Automated vulnerability repair)은 취약점 분류 보고서 (vulnerability triage report)로부터 보안 결함을 패치하는 데 필요한 시간과 노력을 줄이는 것을 목표로 합니다. 최근의 에이전트 기반 AI (agentic AI) 접근 방식은 자동화된 프로그램 수정 (automated program repair) 분야에서 유망한 결과를 보여주었습니다. 그러나 취약점 수정은 일반적인 버그 수정보다 더 풍부한 프로그램 컨텍스트 (program context)를 요구합니다. 이는 보안 엔지니어들이 실제 업무에서 일상적으로 수집하지만, 기존의 에이전트 기반 접근 방식은 설계하지 못하는 컨텍스트입니다. 우리는 세 가지 결정적인 격차를 식별했습니다: 파일 간 데이터 흐름과 메모리 작업 패턴을 포착하는 코드 구조 컨텍스트 (code-structure context), 충돌 의미론 (crash semantics)과 메모리 기원을 드러내는 런타임 실행 컨텍스트 (runtime-execution context), 그리고 취약한 코드 패턴이 어떻게 도입되었는지 복구하는 커밋 히스토리 컨텍스트 (commit-history context)입니다. 우리는 다각적 프로그램 컨텍스트 엔지니어링을 통해 이러한 격차를 해결하는 에이전트 기반 취약점 수정 프레임워크인 AgenticRepair를 제시합니다. AgenticRepair는 컨텍스트를 설계하기 위해 세 개의 특화된 LLM 서브 에이전트 (subagents)를 오케스트레이션하며, 이렇게 설계된 컨텍스트는 컨텍스트 조건부 패치 합성 (context-conditioned patch synthesis)을 위해 전용 수정 서브 에이전트의 메모리에 임베딩됩니다. Sanitizer 기반 패치 검증을 포함하여 300개의 실제 사례로 구성된 SEC-Bench에서 평가한 결과, AgenticRepair는 73%의 성공률을 달성하였으며, 이는 가장 강력한 베이스라인보다 29%나 높은 수치입니다. 우리의 절제 연구 (ablation study)는 세 가지 컨텍스트 측면이 서로 상호 보완적이며, 멀티 에이전트 스캐폴딩 (multi-agent scaffolding)과 기본 모델 역량 (base-model capacity)이 각각 필수적인 역할을 한다는 것을 확인시켜 줍니다. 종합적으로, 이러한 발견은 다각적 프로그램 컨텍스트 엔지니어링이 에이전트 기반 취약점 수정을 위한 유망한 설계 방향임을 입증합니다.