계산 재현성 (Computational reproducibility)은 과학 연구의 핵심임에도 불구하고 여전히 어려운 과제로 남아 있습니다. 본 논문에서는 국제적인 FABRIC 테스트베드가 LoomAI를 통한 대규모 언어 모델 (LLM) 코딩 어시스턴트와 결합하여, 어떻게 여러 도메인에 걸쳐 출판된 실험들을 재현하는 과정을 단순화할 수 있는지 보여줍니다. 우리는 FABRIC에서 BBR 계열 혼잡 제어 (congestion-control) 평가, CPU 전용 MPI 클러스터에서의 LAMMPS 분자 역학 (molecular dynamics) 스케일링 벤치마크, 그리고 스트레스 단백질 항상성 유전체학 (genomics) 파이프라인을 포함하는 세 가지 사례 연구를 재현했습니다. 단순히 수치적 출력을 일치시키는 것에 집중하기보다, 재현된 실험이 원본 연구와 동일한 과학적 결론을 뒷받침하는지 평가합니다. AI 어시스턴트는 환경 설정, 코드 적응, 디버깅 (debugging)에는 효과적이었으나, 명확하게 정의된 워크플로우 (workflow)가 부족한 분석 단계에서는 어려움을 겪었으며, 실행 순서와 데이터 의존성을 설정하기 위해 인간의 가이드가 필요했습니다. 사례 연구 전반에 걸쳐 AI 지원 워크플로우는 재현 노력을 약 4~6배 감소시켰습니다. 우리는 연구 테스트베드에서 AI 지원 재현성을 향상시키기 위한 실질적인 권장 사항을 제시하며 결론을 맺습니다.