Les systèmes de dialogue orientés tâche basés sur les réseaux neuronaux ont souvent du mal à interfacer de manière fluide avec une base de connaissances. Dans ce travail, nous cherchons à résoudre ce problème en proposant un nouvel agent de dialogue neuronal capable de maintenir efficacement une discussion ancrée et multidomaine grâce à un nouveau mécanisme de récupération clé-valeur. Le modèle est entièrement différentiable et n'a pas besoin de modéliser explicitement l'état du dialogue ou des traceurs de croyance. Nous mettons également à disposition un nouveau jeu de données composé de 3 031 dialogues ancrés par des bases de connaissances sous-jacentes et couvrant trois tâches distinctes dans le domaine des assistants personnels embarqués : la planification d'agenda, la récupération d'informations météorologiques et la navigation vers des points d'intérêt. Notre architecture est formée simultanément sur les données de tous les domaines et surpasse significativement un système concurrent basé sur des règles ainsi que d'autres architectures neuronales existantes pour le dialogue, selon les métriques d'évaluation automatique et humaine fournies pour ces domaines.