정치적 연합의 형성은 구체적인 정책 목표와 깊은 곳에 자리 잡은 이념적 신념 모두에 의해 주도되는 복잡한 협상 과정입니다. 대규모 언어 모델(LLMs)이 계산 정치학에 새로운 길을 열었지만, 인간 피드백 기반 강화 학습(RLHF)에 의해 주입된 중립성 및 유용성 편향은 이들이 확고한 당파적 행동을 유지하는 것을 방해합니다. 본 논문에서는 지도 미세 조정(SFT), 직접 선호도 최적화(DPO), 검색 증강 생성(RAG)을 결합하여 사실 기반과 이념적 정렬을 조화시키는 다중 에이전트 프레임워크를 제시합니다. DPO는 공격적인 당별 페르소나를 주입하고, 당별 RAG 파이프라인은 각 에이전트를 해당 당의 공식 선언문(manifesto)에 묶어둡니다. 우리는 이 프레임워크를 2019년 플란데런트(Flemish) 선거에 적용하여, 포르마터(formateur)가 중재하는 허브 앤 스포크 협상에 당파적 에이전트들을 배치했습니다. 출현하는 협상을 해석 가능하게 만들기 위해, 최종 합의의 모든 조항을 그 선언문 기원으로 추적하고 다섯 가지 출처 상태로 분류하는 다층 정보 계보 위상(Multi-Layered Information Lineage Topology, MILT)을 도입했으며, 이러한 추적 가능한 기여를 집계하여 어떤 당이 합의를 형성했는지 식별하는 연합 영향 점수(Coalition Influence Score, CIS), 그리고 각 시뮬레이션된 조항을 역사적으로 채택된 연합 합의와 비교 검증하는 실제 세계 기반 통과(real-world grounding pass)를 도입했습니다. 세 번의 독립적인 시뮬레이션을 거쳐 이 프레임워크는 안정적인 승자와 순위(N-VA가 CD&V 및 Open Vld보다 앞섬)를 도출했으며, 선언문에 근거한 계보는 실제 세계에서의 구현을 신뢰성 있게 예측하는 반면, 환각된 내용은 그렇지 못했습니다. 그 결과는 당의 호환성과 포르마터가 중재하는 타협에 대한 사전에 탐색할 수 있는 투명하고 확장 가능한 테스트베드입니다.