Große Sprachmodelle (LLMs) haben bei conversational Systemen durch die Generierung menschenähnlicher Antworten bemerkenswerte Erfolge erzielt. Dennoch können sie versagen, insbesondere wenn eine Personalisierung oder spezifische Wissensbasis berücksichtigt werden muss. In realen Anwendungsszenarien ist es unrealistisch, von Nutzern zu erwarten, solche Fehler zu erkennen und eine neue Antwort anzufordern. Eine Möglichkeit, dieses Problem anzugehen, besteht darin, die Antwort bereits vor der Rückgabe an den Nutzer zu verfeinern. Während bestehende Ansätze die Verfeinerung innerhalb eines einzelnen LLMs vornehmen, stoßen diese Methoden daran, verschiedene Aspekte effektiver Gespräche angemessen zu berücksichtigen. In dieser Arbeit schlagen wir eine Verfeinerung durch ein Multi-Agenten-System vor, bei dem jeder Agent einer spezifischen Rolle für einen bestimmten Aspekt zugeordnet ist. Wir konzentrieren uns auf drei zentrale Aspekte, die für die Qualität von Gesprächen entscheidend sind: Faktizität, Personalisierung und Kohärenz. Jeder Agent ist für die Überprüfung und Verbesserung eines dieser Aspekte verantwortlich, und ihre Rückmeldungen werden anschließend zusammengeführt, um die Gesamtantwort zu optimieren. Um die Zusammenarbeit zwischen den Agenten zu verbessern, führen wir eine dynamische Kommunikationsstrategie ein. Anstatt eine feste Reihenfolge der Agenten zu befolgen, wählt unser Ansatz adaptiv und koordiniert die am relevantesten für die jeweilige Anfrage geeigneten Agenten aus. Wir validieren unser Framework an anspruchsvollen conversationalen Datensätzen und zeigen, dass es gegenüber relevanten Baselines erheblich übertrifft, insbesondere bei Aufgaben, die Wissen oder das Nutzer-Persona oder beides beinhalten.