استقصاء قاعدة المعرفة (KB) كان دائمًا تحديًا في أنظمة المحادثة الهدفية النهائية. تعاملت الدراسات السابقة التي تعتمد على نموذج التسلسل إلى التسلسل (Seq2Seq) على استقصاء قاعدة المعرفة من خلال انتباه موزع على كامل قاعدة المعرفة، دون ضمان أن الكيانات المولدة تكون متسقة فيما بينها. في هذه الورقة، نقترح إطارًا جديدًا يقوم باستقصاء قاعدة المعرفة على مرحلتين بهدف تحسين اتساق الكيانات المولدة. في المرحلة الأولى، مستلهمين من ملاحظة أن الاستجابة غالبًا ما تُدعم بصفة واحدة فقط من قاعدة المعرفة، نُدخل مكوّن استرجاع قاعدة المعرفة الذي يُعيد صراحة أبرز صف مرتبط بالسجل المحادثة. ويُستخدم نتيجة الاسترجاع لتصفية الكيانات غير ذات صلة في نموذج توليد الاستجابة باستخدام Seq2Seq، بهدف تحسين الاتساق بين الكيانات الناتجة. وفي المرحلة الثانية، نُجري آلية الانتباه لمعالجة العمود الأكثر ارتباطًا في قاعدة المعرفة. واقتُرح طريقتان لجعل التدريب ممكنًا دون الحاجة إلى بيانات استرجاع مُعلّمة، وهما: التدريب عن بعد (distant supervision) وتقنية Gumbel-Softmax. أظهرت التجارب على مجموعتي بيانات محادثة موجهة للهدف متوفرتين للعامة فعالية نموذجنا، حيث تفوق النماذج الأساسية وتم إنتاج استجابات متسقة من حيث الكيانات.