무엇을 할 수 있나
시나리오 A — "이번 선거 왜 이렇게 됐냐"
research_election("서울", ["후보1", "후보2"]) → g/d/i/o/R 추정 → Python F 계산 → "서울 R=7.5, 구조적 챔피언 우세"
시나리오 B — "이재명 vs 한동훈 F 비교"
3개 축(populism/establishment/progress) 동시 비교 → Φ7 카운터로 분석
핵심 지표: F
F는 선거 승리 가능성을 0-10으로 표현하는 복합 지표. Funding/ground game/digital/image/momentum/opponent weakness 6개 요소로 계산.
결정론과 LLM추정을 분리한 이유
Election MCP의 설계에서 가장 중요한 결정은 "F=ma" 계산 자체는 LLM 없이 순수 결정론적 산술로 처리한다는 것이다. 후보의 g(자금)/d(조직력)/i(이미지)/o(상대약점) 같은 원자재 변수는 LLM이 리서치로 추정하지만, 그 변수들을 F로 합산하는 마지막 계산은 항상 같은 입력에 같은 출력이 나오는 순수 함수다. 이렇게 나눈 이유는 재현성 때문이다 — 검증 결과 direction_acc(당선 방향 예측 정확도) 100%(8/8 지역), 재현성 테스트에서 표준편차 0.3 미만을 확보했는데, 이 안정성은 계산 레이어가 LLM 확률성에서 완전히 분리돼 있기 때문에 가능했다.
P0/P1/P2/P3 우선순위의 의미
10개 도구가 4단계 우선순위로 나뉜 것도 같은 원칙이다 — 결정론적 계산(P0)이 가장 신뢰도 높고, LLM 리서치가 섞이는 도구(P1)는 그 다음, 해석/시나리오형(P2)은 참고용, 검증 도구(P3)는 시스템 자체를 감사하는 메타 레이어다. 우선순위는 "얼마나 자주 쓰는가"가 아니라 "얼마나 재현 가능한가" 기준으로 매겨졌다.
PHL-Strategy#ElectionMCP#선거분석