Neuronale task-orientierte Dialogsysteme haben oft Schwierigkeiten, eine reibungslose Schnittstelle zu einer Wissensdatenbank herzustellen. In dieser Arbeit streben wir an, dieses Problem durch den Vorschlag eines neuen neuronalen Dialogagents zu lösen, der durch einen neuartigen Schlüssel-Wert-Retrieval-Mechanismus in der Lage ist, fundierte und mehrdomänenübergreifende Diskussionen effektiv fortzuführen. Das Modell ist von Anfang bis Ende differenzierbar und benötigt keine explizite Modellierung des Dialogzustands oder Glaubensverfolgungssysteme (belief trackers). Wir veröffentlichen außerdem einen neuen Datensatz mit 3.031 Dialogen, die durch zugrundeliegende Wissensdatenbanken fundiert sind und drei verschiedene Aufgaben im Bereich der In-Car-Personal-Assistenten abdecken: Kalenderscheduling, Wetterinformationsabruf und Navigation zu Punkten von Interesse. Unsere Architektur wird gleichzeitig auf Daten aus allen Domänen trainiert und übertrifft sowohl nach automatischen als auch nach menschlichen Bewertungskriterien ein wettbewerbsfähiges regelbasiertes System sowie andere bestehende neuronale Dialogarchitekturen in den bereitgestellten Domänen erheblich.