Klassische Pipeline-Modelle für taskorientierte Dialogsysteme erfordern eine explizite Modellierung der Dialogzustände und manuell erstellte Aktionenräume, um eine domänenspezifische Wissensdatenbank abzufragen. Im Gegensatz dazu lernen sequenzbasierte Modelle (sequence-to-sequence), die Dialoggeschichte direkt auf die aktuelle Antwort abzubilden, ohne explizit eine Wissensdatenbank zu befragen. In dieser Arbeit schlagen wir einen neuen Rahmen vor, der die Vorteile klassischer Pipeline-Modelle und sequenzbasierter Modelle nutzt. Unser Rahmen modelliert den Dialogzustand als eine feste verteilte Darstellung und verwendet diese Darstellung, um über einen Aufmerksamkeitsmechanismus (attention mechanism) eine Wissensdatenbank abzufragen. Die Experimente mit dem Stanford Multi-turn Multi-domain Task-oriented Dialogue-Datensatz zeigen, dass unser Framework bei sowohl automatischer als auch menschlicher Bewertung signifikant bessere Ergebnisse liefert als andere sequenzbasierte Baseline-Modelle.