AI 코딩 에이전트, '올바른 파일'은 찾지만 '핵심 코드'는 놓친다
국제 연구진이 개발한 새로운 벤치마크(SWE-Explore)에 따르면, AI 코딩 에이전트가 버그가 발생한 파일은 잘 찾지만 정작 수정이 필요한 정확한 코드 줄(Line)을 놓치는 치명적인 약점을 보이는 것으로 나타났습니다. 개발 실무에서는 문맥을 누락하는 것이 불필요한 코드를 읽는 것보다 버그 수정 실패에 훨씬 더 큰 악영향을 미치므로, 향후 AI 시스템은 더 공격적으로 필터링하기보다 코드를 더 넓게 읽도록 개선되어야 합니다.
AI 코딩 에이전트가 올바른 파일은 찾아내지만 정작 중요한 핵심 코드는 놓친다는 새로운 연구 결과가 나왔다.
새로운 벤치마크인 'SWE-Explore'는 AI 코딩 에이전트의 실제 버그 수정 과정과 코드 검색 단계를 분리해서 평가합니다. 기존의 테스트들은 주로 최종 수정 결과만을 측정했습니다. 강력한 AI 모델들의 성공적인 해결 과정이 참조 데이터로 활용됩니다. 연구 결과에 따르면 에이전트는 올바른 파일을 찾는 데는 성공하지만, 라인(Line) 수준에서 평균적으로 관련 코드의 14~19%만을 정확히 파악하는 것으로 나타났습니다. 일반적으로 버그 수정은 모델이 필요한 코드 라인의 절반 이상을 식별해낼 때만 성공합니다. 문맥을 놓치는 것은 불필요한 코드를 포함하는 것보다 더 큰 문제를 초래하므로, 향후 시스템은 더 공격적으로 걸러내기보다는 코드를 더 폭넓게 읽을 필요가 있습니다.
이 기사에 대해 묻기...
새로운 벤치마크는 코드 검색 과정과 실제 수정 작업을 분리하여 평가함으로써 AI 코딩 에이전트의 숨겨진 약점을 드러냅니다. 에이전트들은 대략적인 위치는 찾아내지만 정작 가장 중요한 핵심 지점을 놓치고 있는 것입니다.
지금까지 AI 코딩은 결과로 판단받아 왔습니다. 에이전트가 버그를 수정했는지 여부만 평가했습니다. 하지만 이 단일 지표는 실제로 무엇이 잘못되었는지를 감춥니다. 어쩌면 에이전트가 관련 코드를 읽지 않았을 수도 있습니다. 아니면 올바른 파일을 확인했음에도 잘못된 패치를 작성했을 수도 있습니다. 어느 쪽이든 결과는 똑같아 보입니다.
상하이 자오퉁 대학교(Shanghai Jiao Tong University)를 포함한 국제 연구진은 'SWE-Explore'를 통해 이러한 맹점을 해결하고자 합니다. 이 벤치마크는 과정의 첫 번째 단계만을 평가합니다. 에이전트는 버그 설명과 소프트웨어 프로젝트를 전달받은 뒤, 관련이 있다고 판단되는 코드 섹션의 순위 목록을 반환합니다.
광고
성공적인 실행이 기준점을 설정하다
어떤 섹션이 진정으로 중요한지 파악하는 것은 수작업으로는 거의 불가능합니다. 따라서 연구팀은 다른 접근 방식을 취했습니다. 데이터 세트의 848개 문제 각각에 대해 GPT-5.4, Gemini 3 Pro, Claude Sonnet 4.6 또는 Kimi K2.6과 같은 강력한 모델을 사용한 성공적인 해결 시도가 최소 두 개 이상 존재합니다.
광고
연구원들은 이 실행 과정에서 AI가 버그를 수정하기 전에 실제로 확인한 파일과 코드 줄을 추출합니다. 여러 독립적인 해결 경로가 수렴하는 구문들은 유용한 문맥의 신호로 간주됩니다. 이것이 필수 조건은 아니지만 강력한 지표가 됩니다. 별도의 검증 단계를 통해 개별 핵심 구문을 채워 넣고, 연구팀은 각 영역을 다시 수동으로 검토합니다.
이 데이터 세트는 10가지 프로그래밍 언어에 걸친 203개의 오픈 소스 프로젝트에서 추출되었습니다. 파이썬(Python)이 848개 작업 중 547개로 압도적인 비중을 차지했으며, 그다음으로 Go, JavaScript, Rust가 뒤를 따랐습니다.
광고
키워드 검색은 무작위 확률과 비슷한 수준
비교 결과에서는 전통적인 검색 방식을 Claude Code, Codex, OpenHands 등 5개의 범용 코딩 에이전트와 코드 검색을 위해 특별히 구축된 4개의 연구용 시스템과 경쟁시켰습니다. 구식 키워드 검색은 무작위 확률을 겨우 상회하는 수준이었습니다. 사례 연구에서 저자들은 그 이유를 보여줍니다. '오버플로우에 대한 런타임 경고(RuntimeWarning on Overflow)'와 같은 버그 설명에는 실제 소스 코드보다 프로젝트의 템플릿이나 문서에서 훨씬 더 자주 등장하는 용어가 포함되어 있기 때문입니다.
반면 AI 에이전트는 모든 검색 결과를 한 번에 정렬하는 대신 프로젝트를 단계별로 검색하기 때문에 확실하게 앞섰니다.
광고
라인 수준의 정확도는 급감해
파일 수준에서 에이전트들은 훌륭한 성과를 냅니다. 올바른 소스 파일을 찾아내어 빠르게 순위를 매리고 선택의 범위를 좁게 유지합니다. 하지만 테스트가 개별 코드 라인으로 확대되는 순간, 시스템의 성능은 급격히 추락합니다. 범용 코딩 에이전트는 실제로 중요한 코드 라인의 14~19%만을 파악했습니다.
광고
더 강력한 언어 모델을 투입한다고 해서 이 문제가 해결되지는 않았습니다. 연구팀은 OpenAI, Anthropic, Google, Moonshot, Zhipu의 6가지 다른 모델을 동일한 에이전트에 적용해 실행했습니다. GPT 계열이 선두를 달렸지만 전반적인 패턴은 유지되었습니다. 파일 적중률은 실제 라인 커버리지보다 지속적으로 높게 나타났습니다.
다양한 에이전트 아키텍처 간의 점수 차이는 놀라울 정도로 비슷했습니다. Claude Code, Codex, OpenHands, Mini-SWE-Agent 및 AweAgent는 모든 지표에서 거의 동일한 점수를 기록했습니다. 유일하게 연구용 시스템인 CoSIL 만이 다른 결과를 보여주는 이례적인 케이스였습니다.