대규모 언어 모델(LLMs)은 단위 테스트 생성에 새로운 기회를 열었지만, 실행 가능한 테스트가 반드시 실제 결함을 드러내는 것은 아닙니다. 본 논문은 과거의 실제 버그 메커니즘을 LLM 기반 단위 테스트 생성을 위한 실행 가능한 피드백 목표로 변환하는 방법을 연구합니다. 제안된 프레임워크는 실제 버그 기록의 구조적 및 의미론적 표현을 구성하고, 초점 메서드에 적용 가능한 메커니즘을 검색하며, 이를 반복적인 테스트 개선을 안내하는 합성 버그로 구현합니다. 우리는 Defects4J의 메서드 수준 실제 버그 탐지 작업에서 이 접근 방식을 평가했으며, 메커니즘 기반 합성 버그 피드백이 실행 기반(execution-), 커버리지 기반(coverage-), 뮤테이션 기반(mutation-), 지식 기반(knowledge-), 그리고 검색 기반(search-)의 기준선보다 실제 버그 탐지 성능을 향상시킨다는 것을 보여줍니다. 그 결과는 실제 버그 메커니즘을 검색 가능하고 실행 가능한 피드백 목표로 구성하는 것이 생성된 테스트를 버그 유발 입력 및 행동 오라클(behavioral oracles) 쪽으로 안내하는 효과적인 방법임을 시사합니다.