现有的大多数知识库问答（KBQA）方法通常针对特定的知识库进行设计，这既源于方法本身的固有假设，也因为将其应用于其他知识库时需要进行非平凡的调整。然而，许多流行的知识库在底层模式结构上具有相似性，这些共性可被有效利用以促进跨知识库的泛化能力。为实现这一目标，我们提出了一种基于两阶段架构的KBQA框架，该框架显式地将语义解析与知识库交互过程分离，从而支持在不同数据集和知识图谱之间的迁移学习。实验表明，即使在与目标知识库不同的数据集上进行预训练，仍能显著提升性能并降低对标注样本的需求。所提方法在LC-QuAD（DBpedia）、WebQSP（Freebase）、SimpleQuestions（Wikidata）以及MetaQA（Wikimovies-KG）等多个基准数据集上均达到了相当或领先于当前最先进水平的性能。