LLM 기반 에이전트(LLM-based agents)는 자동 프로그램 수정 (Automated Program Repair, APR)을 고정된 컨텍스트의 패치 생성 방식에서 상호작용적인 저장소 수준(repository-level)의 수정 방식으로 발전시켜 왔습니다. 그러나 기존의 에이전트 기반 APR 시스템은 실행 증거(execution evidence)를 사용하여 위치 파악(localization), 패치 생성(patch generation) 및 검증(validation)을 안내하는 데 여전히 어려움을 겪고 있습니다. 우리는 수정 단계 전반에 걸쳐 세 가지 증거 기반 가드레일(guardrails)을 조정하는 에이전트 기반 APR 프레임워크인 EviACT (Evidence-to-Action)를 제안합니다. 검색 스캐폴드(retrieval scaffold)는 수정 컨텍스트를 근거화하고, 컴파일 게이트(compile gate)는 유효하지 않은 편집을 필터링하며, 테스트 주도 게이트(test-driven gate)는 전체 회귀 테스트(regression) 전에 타겟 테스트 복구(target-test recovery)를 확인합니다. 4개의 벤치마크를 통해 EviACT는 가장 강력하다고 보고된 비교 가능한 베이스라인(baselines)보다 해결률(resolve rate)을 1.66.0%포인트 향상시켰으며, 베이스라인 비용 확인이 가능한 경우 버그당 API 비용이 70.188.6% 더 낮음을 보여주었습니다. 절제 연구(Ablations) 및 진단 결과, 이러한 이점은 조정된 증거-실행(evidence-to-action) 체인과 관련이 있으며, 이를 통해 에이전트 기반 APR을 더욱 효과적이고 효율적으로 만듭니다.