对话式问答（Conversational Question Answering, ConvQA）旨在处理序列化信息需求，其中后续问题中的上下文往往未明确表达。当前的ConvQA系统通常仅基于同质的信息源运行：要么是知识库（Knowledge Base, KB），要么是文本语料库，要么是表格集合。本文首次提出将这三类异构信息源联合利用的新问题，从而显著提升答案的覆盖范围与置信度。为此，我们提出了CONVINSE——一种面向异构信息源的端到端ConvQA流水线，包含三个阶段：i）学习输入问题及其对话上下文的显式结构化表示；ii）利用这种类框架（frame-like）的表示，统一地从知识库、文本和表格中捕获相关证据；iii）采用解码器内融合（fusion-in-decoder）模型生成最终答案。为推动该方向的研究，我们构建并发布了首个面向异构信息源的ConvQA基准数据集——ConvMix，包含3000条真实用户对话，共计16000个问题，附带实体标注、完整问题语句及问题改写版本。实验结果表明，与当前最先进的基线方法相比，我们的方法在有效性与性能上均展现出显著优势，验证了其可行性和优越性。