자동화된 취약점 수정(Automated vulnerability repair)은 증가하는 소프트웨어 취약점 문제를 완화하기 위한 유망한 방향으로 부상했습니다. 최근 거대 언어 모델(Large Language Models, LLMs)의 발전은 자동화된 수정 연구를 더욱 가속화했습니다. 그러나 기존 프레임워크는 여전히 메모리 관련 취약점과 로컬에서 수정 가능한 취약점 설정에 크게 국한되어 있어, 보지 못한(unseen) 취약점 유형에 대한 일반화 연구가 미흡한 상태입니다. 또한 이들의 평가는 종종 단일 프로그래밍 언어에 한정되며, 주로 독점 모델(proprietary models)에 의존합니다. 본 논문에서 우리는 에이전트 기반 검색 증강 생성(Agentic Retrieval-Augmented Generation, RAG) 파이프라인과 제어된 반복 수정(controlled iterative repair)을 단일 프레임워크로 통합한 확장 가능하고 효율적이며 자율적인 프레임워크인 RAVEN을 제안합니다. 이 프레임워크는 제한된 GPU 요구 사항을 가진 완전한 로컬 배포 설정에서 오픈 소스 LLM을 활용하는 동시에, 과거의 관련 취약점 수정 사항을 검색하고 패치 생성을 안내하기 위한 다각적인 검색 파이프라인을 구축합니다. 또한, RAVEN은 대상 저장소(repository)로부터 파일 간 의존성(cross-file dependencies)을 검색하는 전용 큐레이터 에이전트(Curator Agent)를 도입하여, 로컬 취약 코드만으로는 해결할 수 없는 복잡한 취약점을 수정합니다. 우리는 다양한 취약점 유형, 두 가지 프로그래밍 언어, 보지 못한 CWE 카테고리 및 분포 외(out-of-distribution) 설정에 걸쳐 160개의 실제 CVE 취약점을 대상으로 RAVEN을 평가합니다. RAVEN은 전체 수정 성공률 83.13%를 달성하여 기존의 모든 최첨단(state-of-the-art) 수정 프레임워크를 능가하는 동시에, 강력한 일반화 능력을 입증하고 수정 비용을 무시할 수 있는 수준으로 유지합니다.