Cet article présente une approche à agents mixtes (MoA) pour l'optimisation de code dans les secteurs réglementés. Dans les environnements où l'utilisation de LLM commerciaux est limitée en raison de problèmes de conformité réglementaire et de confidentialité des données, nous proposons MoA, qui combine plusieurs LLM open source spécialisés pour générer du code. Nous le comparons au système d'ensemble basé sur l'algorithme génétique (GA) de TurinTech AI et à des optimiseurs de LLM individuels. Les résultats expérimentaux obtenus avec des bases de code industrielles réelles démontrent que MoA permet des économies de coûts de 14,3 % et 22,2 %, respectivement, et des réductions de temps d'optimisation de 28,6 % et 32,2 %, respectivement, grâce à des modèles open source. De plus, nous démontrons la supériorité de l'ensemble basé sur l'AG sur les modèles commerciaux, et les deux ensembles surpassent les LLM individuels. Nous validons son applicabilité en environnements réels à l'aide de 50 fragments de code et de sept combinaisons de LLM. Enfin, nous fournissons des conseils pratiques pour concilier conformité réglementaire et performances d'optimisation.
