Vivimos en una era donde el tiempo es un recurso escaso y las personas disfrutan de los beneficios de las innovaciones tecnológicas para asegurar un acceso rápido y fluido a la información necesaria para nuestras actividades diarias. En este contexto, los agentes conversacionales comienzan a desempeñar un papel notable al mediar la interacción entre humanos y computadoras en contextos específicos. Sin embargo, resultan ser laboriosos para casos de uso de múltiples dominios o cuando se espera que se adapten automáticamente a lo largo de los diálogos con los usuarios. Este documento presenta un método para integrar múltiples dominios de conocimiento para un agente conversacional localizado en rumano con el fin de facilitar la extensión del área de especialización del agente. Además, se pretende que el agente se vuelva más consciente del dominio y aprenda nueva información de manera dinámica a partir de las conversaciones con los usuarios mediante un grafo de conocimiento que actúa como una red de hechos e información. Aseguramos altas capacidades para la comprensión del lenguaje natural al proponer una nueva arquitectura que tiene en cuenta las incrustaciones contextualizadas de RoBERT junto con características sintácticas. Nuestro enfoque conduce a una mejora en el rendimiento de clasificación de intenciones (puntuación F1 = 82.6) en comparación con una tubería básica que se basa únicamente en características extraídas de los datos de entrenamiento del agente. Además, se confirma que la representación de conocimiento RDF propuesta proporciona flexibilidad en el almacenamiento y recuperación de entidades de lenguaje natural, valores y relaciones de hechos entre ellas en el contexto de cada micromundo.