Les systèmes de chauffage, ventilation et climatisation (CVC) représentent une part importante de la consommation énergétique mondiale des bâtiments, rendant la détection fiable des anomalies essentielle pour améliorer l'efficacité et réduire les émissions. Les approches classiques basées sur des règles offrent une bonne explicabilité mais manquent d'adaptabilité, tandis que les méthodes d'apprentissage profond fournissent une puissance prédictive au détriment de la transparence, de l'efficacité et de la plausibilité physique. Les tentatives récentes d'utiliser des modèles de langage de grande taille (LLM) pour la détection d'anomalies améliorent l'interprétabilité mais ignorent largement les principes physiques qui régissent le fonctionnement des systèmes CVC. Cette étude présente PILLM, un cadre de LLM informé par la physique qui fonctionne dans une boucle évolutive pour générer, évaluer et affiner automatiquement les règles de détection d'anomalies. L'approche introduit des opérateurs de réflexion et de croisement informés par la physique qui intègrent des contraintes thermodynamiques et de contrôle, permettant des règles à la fois adaptatives et physiquement fondées. Les expériences sur le jeu de données public de détection de défauts de bâtiment montrent que PILLM atteint des performances de pointe tout en produisant des règles de diagnostic interprétables et actionnables, faisant progresser l'IA fiable et déployable pour les systèmes de bâtiments intelligents. Cette recherche a été présentée lors de l'atelier UrbanAI de NeurIPS 2025 et a été saluée pour son approche innovante combinant l'apprentissage automatique et les principes physiques pour améliorer l'efficacité énergétique des bâtiments.