대규모 언어 모델 (Large Language Models, LLMs)은 그 다재다능함, 유연성, 그리고 어느 정도 인간의 추론을 모방할 수 있는 능력 덕분에 다양한 목적으로 소프트웨어 시스템에 점점 더 통합되고 있습니다. 그러나 소스 코드 내에서 LLM 추론 (LLM inference)이 부적절하게 통합되면 소프트웨어 시스템의 품질을 저해할 수 있습니다. 따라서 개발자들이 이러한 문제를 완화할 수 있도록 부적절한 LLM 통합 코딩 관행을 문서화해야 합니다. LLM 코드 스멜 (LLM code smells)에 관한 이전 연구에 이어, 본 논문은 독립적인 분류 체계 (taxonomy)와 9가지 LLM 코드 스멜 카탈로그를 제시함으로써 이 개념을 통합하고 정교화합니다. 또한, 이를 탐지하기 위한 정적 소스 코드 분석 도구인 SpecDetect4LLM을 제작하였으며, 692개의 오픈 소스 소프트웨어 프로젝트 (171,194개의 소스 파일)를 대상으로 탐지 효과 (정밀도(precision) 및 재현율(recall))와 LLM 코드 스멜의 유병률에 대한 광범위한 실증적 평가를 수행했습니다. 연구 결과, LLM 코드 스멜은 분석된 시스템의 73.5%에 영향을 미치고 있었으며, 탐지 정밀도는 91.3%, 재현율은 71.8%로 나타났습니다.