배경: Infrastructure-as-Code (IaC) 스캐너는 배포 전 Terraform 및 기타 IaC 언어에서 클라우드 설정 오류를 탐지하지만, 플래그가 지정된 설정을 수정하는 작업은 여전히 대부분 수동으로 이루어집니다. 최근의 Large Language Model (LLM) 기반 수정 방식은 일부 탐지 사항을 수정할 수 있으나, 지원되지 않는 구조를 환각(hallucinate)하거나 문제를 해결하지 못한 채 경고를 억제할 수 있습니다. 목적: 본 연구에서는 도구 기반(tool grounding) 방식이 LLM 기반의 Terraform 수정을 개선할 수 있는지, 그리고 필요한 배포 특정 컨텍스트(deployment-specific context)를 사용할 수 없을 때 언제 탐지 사항을 에스컬레이션(escalate)해야 하는지를 연구합니다. 방법: 우리는 구조화된 에스컬레이션을 갖춘 Terraform 수정을 위한 도구 기반 LLM 에이전트 프로토타입인 TerraRepair를 제시합니다. TerraRepair는 Terraform 참조로부터 의존성 컨텍스트(dependency context)를 검색하고, 설치된 프로바이더 스키마(provider schema)를 참조하며, 후보 수정안을 반환하기 전에 스캐너를 재실행합니다. 필요한 컨텍스트가 없는 경우, TerraRepair는 그럴듯한 수정안을 조작하는 대신 에스컬레이션을 수행합니다. 결과: 우리는 AWS, Azure, GCP에 걸쳐 두 가지 IaC 보안 스캐너인 Checkov와 Trivy를 사용하여, 설계상 취약점이 있는 두 개의 Terraform 리포지토리에서 본 도구를 평가했습니다. 통제된 원샷(one-shot) 베이스라인과 비교했을 때, 통합 AWS 벤치마크에서 TerraRepair는 Checkov의 스캐너 검증 수정률을 26.6%에서 78.4%로, Trivy의 경우 44.8%에서 72.4%로 향상시켰습니다. 수정안은 다수결 프로토콜(majority-vote protocol)에 따라 정확한 것으로 분류되었습니다. 결론: 이러한 초기 결과는 도구 기반 방식이 연구된 벤치마크에서 스캐너로 검증된 LLM 기반 IaC 수정을 실질적으로 개선할 수 있음을 보여주는 한편, 누락된 배포 특정 컨텍스트가 완전한 자율성을 위한 주요 지식 경계(knowledge boundary)로 남아 있음을 보여줍니다.