LLM(Large Language Models)은 코드 리뷰를 자동화하는 데 강력한 잠재력을 보여주었으나, 이들의 실질적인 유용성은 생성 및 컨텍스트 전략의 설계에 크게 의존합니다. 본 논문에서는 생성 전략과 컨텍스트 증강(Contextual Augmentation)을 통해 LLM 기반 코드 리뷰를 개선하는 방법을 조사합니다. 먼저, 우리는 LLM이 단 하나의 가장 중요한 이슈만을 보고하는 방식(즉, primary-issue review) 대신 모든 잠재적 이슈를 열거하는 이슈 목록 리뷰(Issue-list review) 패러다임을 제안합니다. 그런 다음, 세 가지 유형의 코드 컨텍스트 증강 — 인접 컨텍스트(Neighboring), LSP(Language Server Protocol) 기반 의미론(Semantics), 그리고 IR(Intermediate Representation) 기반 유사 공동 변경(Co-change) 컨텍스트 — 을 체계적으로 비교하고, 이들이 이슈 발견에 어떤 영향을 미치는지 연구합니다. 마지막으로, 리뷰 커버리지(Review coverage)를 높이기 위해 컨텍스트가 없는 생성과 컨텍스트가 강화된 생성의 후보군을 통합하며, 후보 목록을 실용적인 크기로 유지하기 위해 정제 가이드 기반 가지치기(Refinement-guided pruning)를 도입합니다. 우리는 1,438개의 Go 리뷰 인스턴스를 대상으로 다운스트림 코드 정제(Code refinement)를 주요 지표로 사용하여 접근 방식을 평가합니다. 즉, 후보 목록에 최종적인 인간의 수정과 동일한 코드 변경을 유도하는 주석(Comment)이 최소 하나 이상 포함되는 빈도를 측정합니다. 비교를 위해, 리뷰 주석 생성에 특화되어 훈련된 모델인 CodeReviewer의 주석과 (실질적인 상한선으로서) 정답인 인간의 리뷰 주석을 동일한 정제 기반 평가 하에 평가합니다. 결과에 따르면, 이슈 목록 리뷰, 인접 및 유사 공동 변경 컨텍스트, 그리고 후보 통합을 결합한 우리의 최적 설정은 28.00%의 정제 정확 일치(Refinement exact match)를 달성했습니다. 이는 추가 컨텍스트가 없는 primary-issue 리뷰(17.15%)보다 통계적으로 유의미하게 +10.85%포인트 높은 수치이며, CodeReviewer(15.02%)를 크게 능가하고 인간 전문가(Human-oracle)의 천장인 36.09%에 근접하는 수치입니다. 우리의 정제 가이드 기반 가지치기는 거의 모든 이점을 유지하면서도 top-5 기준 평균 후보 수를 7.2개에서 3.1개로 줄여, 후보 목록을 검토하기 더 쉽게 만듭니다.