본 논문은 소프트웨어 프로젝트의 복잡성 증가에 따라 코드 이슈 관리의 어려움을 해결하기 위해 SonarQube와 GPT-3.5 Turbo, GPT-4와 같은 대규모 언어 모델(LLM)을 통합한 웹 애플리케이션 WALL을 제시합니다. WALL은 이슈 추출, 코드 수정, 코드 비교 세 가지 모듈로 구성되어 자동화된 코드 이슈 탐지, 수정, 평가 파이프라인을 제공합니다. 563개 파일, 7,599개 이상의 이슈를 대상으로 한 실험 결과, WALL은 높은 품질의 수정을 유지하면서 인력 투입을 줄이는 효과를 보였으며, 비용 효율적인 LLM과 고급 LLM의 하이브리드 접근 방식을 통해 비용 절감과 수정률 향상을 달성했습니다. 향후 연구는 오픈소스 LLM 통합 및 인간 개입 제거를 통해 완전 자동화된 코드 품질 관리를 목표로 합니다.
