대규모 언어 모델(Large Language Models, LLMs)은 인간과 유사한 응답을 생성함으로써 대화 시스템에서 놀라운 성과를 보여주고 있다. 그러나 개인화나 특정 지식을 반영해야 하는 상황에서는 여전히 한계를 드러낼 수 있다. 실제 사용 환경에서는 사용자가 이러한 오류를 스스로 인지하고 새로운 응답을 요청하는 것은 현실적으로 불가능하다. 이 문제를 해결하기 위한 한 가지 방법은 사용자에게 응답을 반환하기 전에 응답을 보완하는 것이다. 기존의 접근 방식은 단일 LLM 내에서 응답을 개선하는 데 집중하지만, 효과적인 대화를 위해 고려해야 할 다양한 측면을 포괄하기 어렵다는 한계가 있다. 본 연구에서는 다중 에이전트 프레임워크를 통해 응답을 보완하는 새로운 방법을 제안한다. 각 에이전트는 특정한 역할을 맡아 대화의 핵심 요소 중 하나를 담당한다. 본 연구는 대화 품질에 핵심적인 세 가지 요소—정확성(factuality), 개인화(personalization), 일관성(coherence)—에 초점을 맞춘다. 각 에이전트는 이 중 하나의 측면을 검토하고 개선하며, 그 피드백은 통합되어 종합적인 응답을 향상시킨다. 에이전트 간의 협업을 강화하기 위해 동적 소통 전략(dynamic communication strategy)을 도입한다. 고정된 순서의 에이전트를 따르는 대신, 각 쿼리의 구체적인 요구에 따라 가장 관련성이 높은 에이전트를 적절히 선택하고 조율하는 방식이다. 제안한 프레임워크는 도전적인 대화 데이터셋을 기반으로 검증되었으며, 지식 또는 사용자 프로파일(persona)이 포함된 과제, 또는 둘 다 포함된 과제에서 기존의 주요 벤치마크보다 뚜렷한 성능 우위를 보였다.