Les grands modèles linguistiques (LLM) ont fait preuve d’un succès remarquable dans les systèmes conversationnels en générant des réponses proches de celles des humains. Toutefois, ils peuvent échouer, notamment lorsqu’il est nécessaire de tenir compte de la personnalisation ou de connaissances spécifiques. Dans les contextes réels, il est peu réaliste de compter sur les utilisateurs pour détecter ces erreurs et demander une nouvelle réponse. Une solution à ce problème consiste à affiner la réponse avant de la renvoyer à l’utilisateur. Bien que les approches existantes se concentrent sur l’affinement des réponses au sein d’un seul LLM, cette méthode peine à intégrer les divers aspects nécessaires à des conversations efficaces. Dans ce travail, nous proposons d’affiner les réponses à travers un cadre multi-agents, où chaque agent est affecté à un rôle spécifique pour chaque aspect. Nous nous concentrons sur trois aspects clés pour la qualité conversationnelle : la facticité, la personnalisation et la cohérence. Chaque agent est chargé d’examiner et d’améliorer l’un de ces aspects, et leurs retours sont ensuite fusionnés afin d’améliorer globalement la réponse. Pour renforcer la collaboration entre les agents, nous introduisons une stratégie de communication dynamique. Contrairement à une séquence fixe d’agents, notre approche sélectionne et coordonne de manière adaptative les agents les plus pertinents en fonction des exigences spécifiques de chaque requête. Nous validons notre cadre sur des jeux de données conversationnels exigeants, démontrant ainsi qu’il surpasse significativement les méthodes de référence, notamment dans les tâches impliquant des connaissances ou le persona utilisateur, ou les deux.