Die meisten derzeit bestehenden auf neuronalen Netzen basierenden, auf Aufgaben ausgerichteten Dialogsysteme folgen dem Encoder-Decoder-Paradigma, bei dem der Decoder ausschließlich auf den Quelltexten beruht, um eine Wortfolge zu generieren, was häufig zu Instabilität und geringer Lesbarkeit führt. Inspiriert durch traditionelle, auf Vorlagen basierende Generierungsmethoden schlagen wir ein vorlagengeleitetes hybrides Pointer-Netzwerk für wissensbasierte, auf Aufgaben ausgerichtete Dialogsysteme vor. Dieses System ruft mehrere potenziell relevante Antworten aus einem vorab erstellten, domänenspezifischen Gesprächsarchiv als Leitantworten ab und integriert diese Leitantworten sowohl in den Kodierungs- als auch in den Dekodierungsprozess. Konkret entwerfen wir ein Gedächtnis-Pointer-Netzwerkmodell mit einer Gating-Mechanismus, das die semantische Korrelation zwischen den abgerufenen Antworten und der Referenzantwort vollständig ausnutzt. Wir evaluieren unser Modell anhand vier weit verbreiteter Aufgaben-Dialog-Datensätze, darunter ein simuliertes und drei manuell erstellte Datensätze. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell im Vergleich zu aktuellen State-of-the-Art-Methoden signifikant bessere Leistung bei verschiedenen automatisierten Bewertungsmetriken erzielt.