최근 코딩 에이전트 (Coding Agents)의 발전은 소프트웨어 이슈 해결 분야에서 놀라운 진전을 보여주었습니다. 실제 상황에서 현실 세계의 이슈는 대개 버그 수정 (Bug Fixes) 또는 기능 요청 (Feature Requests)이며, 이 과정에서 인간 개발자들은 자연스럽게 해결 과정의 일부로 리팩토링 (Refactoring)을 포함시키는데, 이는 엉킨 리팩토링 (Tangled Refactoring)을 초래합니다. LLM (Large Language Models)은 대규모 오픈 소스 저장소 (Open-source Repositories)를 기반으로 학습되기 때문에, 코딩 에이전트 또한 이러한 동작을 물려받을 수 있습니다. 본 논문에서는 Multi-SWE-bench를 활용하여 실증적 연구를 수행하였으며, 12개의 LLM을 사용하는 3개의 에이전트 프레임워크가 생성한 3,691개의 유효한 패치 (Patches)를 분석했습니다. 연구 결과, 코딩 에이전트는 리팩토링 유형의 다양성은 더 넓게 나타나지만, 인간 개발자에 비해 엉킨 리팩토링을 더 적은 빈도로 (21.43% vs. 36.72%) 그리고 더 낮은 강도로 (0.66 vs. 1.75) 도입한다는 것을 발견했습니다. 로지스틱 회귀 분석 (Logistic Regression Analysis)을 통해 엉킨 리팩토링이 컴파일 가능성 (Compilability) 저하와 강한 상관관계가 있는 반면, 기능적 정확성 (Functional Correctness)과는 유의미한 상관관계가 없음을 추가로 확인했습니다. 이러한 발견을 바탕으로, 우리는 엉킨 리팩토링의 필요성과 안전성을 평가하고 문제가 되는 작업을 선택적으로 제거하거나 수리하는 리팩토링 인식 정제 (Refactoring-aware Refinement) 접근 방식을 제안합니다. 우리의 접근 방식은 컴파일 가능성을 19.34%에서 38.33%로 향상시켰으며, 추가적으로 이전에 해결되지 않았던 이슈의 2.79%를 해결했습니다. 전반적으로, 본 연구는 에이전트 기반 이슈 해결 과정에서의 엉킨 리팩토링 관행을 이해하기 위한 첫 번째 단계를 제시하며, 향후 연구를 위한 길을 열어줍니다.