{"id":15378,"date":"2026-03-31T20:19:41","date_gmt":"2026-03-31T20:19:41","guid":{"rendered":"https:\/\/a-listware.com\/?p=15378"},"modified":"2026-03-31T20:19:41","modified_gmt":"2026-03-31T20:19:41","slug":"principles-of-building-ai-agents","status":"publish","type":"post","link":"https:\/\/a-listware.com\/de\/blog\/principles-of-building-ai-agents","title":{"rendered":"Grunds\u00e4tze f\u00fcr den Aufbau von KI-Agenten: Ein Leitfaden f\u00fcr 2026"},"content":{"rendered":"

Kurze Zusammenfassung: <\/b>Die Entwicklung von KI-Agenten erfordert das Verst\u00e4ndnis zentraler Architekturkomponenten wie gro\u00dfe Sprachmodelle, Speichersysteme, Werkzeugintegration und Planungsmechanismen. Effektives Agenten-Design betont komponierbare Muster gegen\u00fcber komplexen Frameworks, wobei die Zuverl\u00e4ssigkeit davon abh\u00e4ngt, wie die Komponenten interagieren. Erfolgreiche Implementierungen schaffen ein Gleichgewicht zwischen Autonomie und Transparenz und erm\u00f6glichen es den Agenten, unter menschlicher Aufsicht zu denken, zu planen und Aufgaben auszuf\u00fchren.<\/span><\/p>\n

KI-Agenten stehen f\u00fcr einen Wandel von Systemen, die lediglich auf Aufforderungen reagieren, hin zu autonomen Systemen, die selbstst\u00e4ndig Ziele verfolgen. Dabei handelt es sich nicht nur um Chatbots mit besseren Antworten, sondern um Systeme, die grundlegende Modelle mit logischem Denken, Planung, Ged\u00e4chtnis und dem Einsatz von Werkzeugen kombinieren, um komplexe Aufgaben zu bew\u00e4ltigen.<\/span><\/p>\n

Bei der Entwicklung effektiver Agenten geht es jedoch nicht darum, das komplexeste Framework einzusetzen, das Sie finden k\u00f6nnen. Laut Anthropic verwenden die erfolgreichsten Implementierungen in Dutzenden von Branchen einfache, zusammensetzbare Muster und keine spezialisierten Bibliotheken oder komplizierten Architekturen.<\/span><\/p>\n

Was einen AI-Agenten auszeichnet<\/span><\/h2>\n

Ein KI-Agent geht \u00fcber grundlegende Sprachmodell-Interaktionen hinaus. W\u00e4hrend Standard-LLM-Anwendungen auf einzelne Abfragen reagieren, behalten Agenten den Kontext bei, treffen Entscheidungen und f\u00fchren mehrstufige Workflows autonom aus.<\/span><\/p>\n

Stellen Sie sich das so vor: Wenn Sie ein Sprachmodell bitten, \u201cdie Kundenabwanderung zu verringern\u201d, k\u00f6nnte es Vorschl\u00e4ge machen. Ein Agent analysiert tats\u00e4chlich Daten, identifiziert Muster, formuliert Strategien und setzt m\u00f6glicherweise L\u00f6sungen um - und erkl\u00e4rt dann bei jedem Schritt seine \u00dcberlegungen.<\/span><\/p>\n

Die Forschung definiert KI-Agentensysteme als Systeme, die Basismodelle mit logischem Denken, Planung, Ged\u00e4chtnis und dem Einsatz von Werkzeugen kombinieren, um komplexe Aufgaben zu bew\u00e4ltigen.<\/span><\/p>\n

Zentrale architektonische Komponenten<\/span><\/h2>\n

Jedes wirksame Agentensystem beruht auf dem Zusammenwirken mehrerer grundlegender Bausteine.<\/span><\/p>\n

Die Grundmodellschicht<\/span><\/h3>\n

Gro\u00dfe Sprachmodelle dienen als Argumentationsmotor. Das Modell interpretiert die Ziele, erstellt Pl\u00e4ne und entscheidet, welche Aktionen als N\u00e4chstes durchgef\u00fchrt werden sollen. Aber das Modell allein ist nicht der Agent - es ist nur eine Komponente.<\/span><\/p>\n

Moderne Agentenarchitekturen unterst\u00fctzen mehrere Modelle, die zusammenarbeiten. Ein Modell kann die Koordinierung auf hoher Ebene \u00fcbernehmen, w\u00e4hrend spezialisierte Modelle spezifische technische Aufgaben erledigen.<\/span><\/p>\n

Speicher-Systeme<\/span><\/h3>\n

Agenten brauchen ein Ged\u00e4chtnis, um den Kontext \u00fcber Interaktionen hinweg aufrechtzuerhalten. Dazu geh\u00f6ren das Kurzzeitged\u00e4chtnis f\u00fcr den unmittelbaren Aufgabenkontext und das Langzeitged\u00e4chtnis f\u00fcr gelernte Muster und historische Informationen.<\/span><\/p>\n

Die Speicherarchitektur wirkt sich direkt auf die Effektivit\u00e4t der Agenten aus. Ohne eine angemessene Speicherverwaltung verlieren Agenten ihre Ziele aus den Augen, wiederholen fehlgeschlagene Ans\u00e4tze oder ignorieren relevante fr\u00fchere Erfahrungen.<\/span><\/p>\n

Integration von Werkzeugen<\/span><\/h3>\n

Werkzeuge erweitern die F\u00e4higkeiten des Agenten \u00fcber die Texterstellung hinaus. Ein Agent kann Suchmaschinen verwenden, um Informationen zu sammeln, APIs, um Daten abzurufen, Code-Interpreter, um Berechnungen durchzuf\u00fchren, oder spezialisierte Dienste, um dom\u00e4nenspezifische Aufgaben zu erledigen.<\/span><\/p>\n

Nach Ansicht des Anthropic-Entwicklungsteams sind Agenten nur so effektiv wie die ihnen zur Verf\u00fcgung gestellten Tools. Das Tool-Design ist von enormer Bedeutung - gut konzipierte Tools mit klarer Dokumentation und geeigneten Antwortformaten verbessern die Leistung der Agenten erheblich.<\/span><\/p>\n

\"Kernkomponenten<\/p>\n

Verl\u00e4sslichkeit durch Architektur<\/span><\/h2>\n

Forschungen der Universit\u00e4t Halmstad zeigen, dass Zuverl\u00e4ssigkeit nicht etwas ist, das man nach der Entwicklung eines Agenten hinzuf\u00fcgt, sondern dass sie von Anfang an durch architektonische Entscheidungen bestimmt wird.<\/span><\/p>\n

Die Art und Weise, wie die Komponenten interagieren, bestimmt, ob sich Agenten vorhersehbar verhalten. Eine gut durchdachte Architektur schafft nat\u00fcrliche Leitplanken, die h\u00e4ufige Fehler verhindern.<\/span><\/p>\n

Transparenz und Erkl\u00e4rbarkeit<\/span><\/h3>\n

Die Benutzer m\u00fcssen verstehen, was die Agenten tun und warum. Ohne Transparenz k\u00f6nnen die Handlungen eines Agenten verwirrend oder sogar besorgniserregend erscheinen.<\/span><\/p>\n

Die Anthropic-Forschung zur Entwicklung sicherer Agenten verdeutlicht dies an einem anschaulichen Beispiel: Ohne Transparenzdesign k\u00f6nnte ein Mensch, der einen Agenten bittet, \u201cdie Kundenabwanderung zu verringern\u201d, verwirrt sein, wenn der Agent Einrichtungen wegen der B\u00fcroausstattung kontaktiert. Aber mit der richtigen Transparenz erkl\u00e4rt der Agent seine Logik - er fand heraus, dass Kunden, die Vertriebsmitarbeitern in lauten Gro\u00dfraumb\u00fcros zugewiesen wurden, h\u00f6here Abwanderungsraten hatten.<\/span><\/p>\n

Fehlerbehandlung und Wiederherstellung<\/span><\/h3>\n

Agenten werden mit Fehlern konfrontiert. Tools geben Fehler zur\u00fcck, externe Dienste fallen aus, Pl\u00e4ne funktionieren nicht wie erwartet. Robuste Architekturen antizipieren diese Ausf\u00e4lle und enthalten Wiederherstellungsmechanismen.<\/span><\/p>\n

Das Muster hier? Gehen Sie nicht vom Erfolg aus. Entwickeln Sie Agenten, die die Ergebnisse \u00fcberpr\u00fcfen, Anomalien erkennen und Strategien anpassen, wenn die ersten Ans\u00e4tze fehlschlagen.<\/span><\/p>\n

Muster, die tats\u00e4chlich funktionieren<\/span><\/h2>\n

In der Praxis werden mehrere bew\u00e4hrte Muster verwendet.<\/span><\/p>\n

Hierarchische Multi-Agenten-Systeme<\/span><\/h3>\n

F\u00fcr komplexe Aufgaben ist ein einzelner Agent oft nicht optimal. Multi-Agenten-Systeme nutzen die Spezialisierung: Ein Hauptagent koordiniert die Planung auf hoher Ebene, w\u00e4hrend Unteragenten spezifische technische Arbeiten oder die Informationsbeschaffung \u00fcbernehmen.<\/span><\/p>\n

Laut der technischen Dokumentation von Anthropic kann jeder Unteragent mit Zehntausenden von Token umfangreiche Erkundungen durchf\u00fchren, liefert aber nur eine komprimierte, destillierte Zusammenfassung seiner Arbeit an den Hauptagenten. Dieser Ansatz schafft ein Gleichgewicht zwischen Tiefe und \u00fcberschaubarem Kontext.<\/span><\/p>\n

Interne Auswertungen zeigen, dass Multi-Agenten-Recherchesysteme vor allem bei \"breadth-first\"-Abfragen, die mehrere unabh\u00e4ngige Richtungen gleichzeitig einbeziehen, hervorragend abschneiden.<\/span><\/p>\n

Kontext-Engineering vor Prompt-Engineering<\/span><\/h3>\n

Mit zunehmender Reife von Agentensystemen wird ein effektives Kontextmanagement wichtiger als die Suche nach der perfekten Formulierung von Aufforderungen. Kontext ist eine endliche Ressource - Agenten haben eine begrenzte Anzahl von Token, und die Leistung sinkt bei zu viel Kontext.<\/span><\/p>\n

Zu den Strategien f\u00fcr ein effektives Context-Engineering geh\u00f6ren das dynamische Beschneiden von Kontexten, die hierarchische Zusammenfassung und das selektive Abrufen von Informationen, anstatt alles im Voraus zu laden.<\/span><\/p>\n

Normen und Sicherheits\u00fcberlegungen<\/span><\/h2>\n

Da Agentensysteme immer leistungsf\u00e4higer werden, haben sich die Standardisierungsbem\u00fchungen beschleunigt. Das NIST k\u00fcndigte im Februar 2026 die Initiative f\u00fcr KI-Agentenstandards an, um sicherzustellen, dass KI-Agenten sicher funktionieren, system\u00fcbergreifend interagieren und vertrauensvoll angenommen werden k\u00f6nnen.<\/span><\/p>\n

Die Initiative befasst sich mit kritischen Herausforderungen: Wie k\u00f6nnen Agenten nachweisen, dass sie im Namen von autorisierten Benutzern handeln? Wie k\u00f6nnen verschiedene Agentensysteme miteinander kommunizieren? Welche Transparenzmechanismen sollten Standard sein?<\/span><\/p>\n

Die IEEE-Normen betonen vier Bedingungen f\u00fcr vertrauensw\u00fcrdige KI-Systeme: Effektivit\u00e4t, Kompetenz, Verantwortlichkeit und Transparenz. Dabei handelt es sich nicht nur um theoretische Ideale, sondern um praktische Anforderungen f\u00fcr den Einsatz von Agenten in regulierten Branchen.<\/span><\/p>\n

Leistung in der realen Welt<\/span><\/h3>\n

Praktische Implementierungen zeigen messbare Ergebnisse. Untersuchungen zufolge hat Vodafone ein auf KI-Agenten basierendes Supportsystem implementiert, das \u00fcber 70% Kundenanfragen ohne menschliches Eingreifen bearbeitet und so die Betriebskosten erheblich senkt und gleichzeitig die Antwortzeiten verbessert.<\/span><\/p>\n

Die Wirksamkeit variiert jedoch dramatisch je nach Qualit\u00e4t der Implementierung. Dieselbe Studie zeigt, dass Agenten mit schlecht konzipierten Werkzeugen oder unzureichendem Kontextmanagement oft schlechter abschneiden als einfachere, nicht-agentische Ans\u00e4tze.<\/span><\/p>\n

Holen Sie sich technische Unterst\u00fctzung f\u00fcr Ihre AI-Agentensysteme<\/span><\/h2>\n

Die Grunds\u00e4tze f\u00fcr den Aufbau von KI-Agenten konzentrieren sich h\u00e4ufig auf Autonomie, Modularit\u00e4t und Koordination. In der Praxis h\u00e4ngen diese Ideen davon ab, wie gut das umgebende System aufgebaut ist - APIs, Datenpipelines, Backend-Dienste und Infrastruktur, die alles im Laufe der Zeit stabil halten. Hier beginnen viele Projekte zu scheitern, und zwar nicht auf der Konzeptebene, sondern bei der Umsetzung.<\/span><\/p>\n

A-listware unterst\u00fctzt diese Ausf\u00fchrungsebene durch die Bereitstellung spezieller Entwicklungsteams und Software-Engineering-Support. Das Unternehmen arbeitet \u00fcber den gesamten Entwicklungszyklus hinweg - von der Einrichtung der Architektur bis zur Integration und Wartung - und hilft den Teams, zuverl\u00e4ssige Systeme um KI-gesteuerte Produkte herum aufzubauen, anstatt die Agenten selbst.<\/span><\/p>\n

Wenn die Prinzipien Ihrer KI-Agenten definiert sind, aber noch nicht in der Produktion funktionieren, ist dies in der Regel der richtige Zeitpunkt, um externe technische Unterst\u00fctzung hinzuzuziehen. Kontakt <\/span>A-listware<\/span><\/a> um Sie bei der Implementierung, Integration und Skalierung Ihres Systems zu unterst\u00fctzen.<\/span><\/p>\n

Praktische Umsetzungsschritte<\/span><\/h2>\n

Wie f\u00e4ngt man nun an, Agenten aufzubauen?<\/span><\/p>\n

Beginnen Sie einfach. Beginnen Sie nicht mit einem Multi-Agenten-Orchestrierungssystem. Bauen Sie einen einzelnen Agenten, der eine Aufgabe gut erledigt. Verstehen Sie, wie Prompting, Tools und Speicher zusammenspielen, bevor Sie Komplexit\u00e4t hinzuf\u00fcgen.<\/span><\/p>\n

Entwerfen Sie die Instrumente sorgf\u00e4ltig. Jedes Werkzeug sollte eine klare Dokumentation, klar definierte Eingaben und Ausgaben sowie geeignete Antwortformate haben. Anthropic empfiehlt, einen Parameter f\u00fcr das Antwortformat bereitzustellen, mit dem Agenten steuern k\u00f6nnen, ob Werkzeuge kurze oder ausf\u00fchrliche Antworten zur\u00fcckgeben.<\/span><\/p>\n

F\u00fchren Sie vom ersten Tag an Evaluierungen durch. Ohne systematische Tests ist es unm\u00f6glich zu wissen, ob \u00c4nderungen die Leistung verbessern oder verschlechtern. Erstellen Sie Evaluierungsdatens\u00e4tze, die echte Anwendungsf\u00e4lle repr\u00e4sentieren.<\/span><\/p>\n

Und iterieren Sie auf der Grundlage der tats\u00e4chlichen Nutzungsmuster. Agenten decken in der Produktion unerwartete Verhaltensweisen auf, die in Tests nie auftauchen.<\/span><\/p>\n\n\n\n\n\n\n\n\n\n
Durchf\u00fchrungsphase<\/span><\/th>\nSchwerpunktthema<\/span><\/th>\nH\u00e4ufig zu vermeidende Fallstricke<\/span><\/th>\n<\/tr>\n<\/thead>\n
Stiftung<\/span><\/td>\nEin Akteur, eine klare Aufgabe<\/span><\/td>\nOver-engineering mit Frameworks<\/span><\/td>\n<\/tr>\n
Werkzeug-Design<\/span><\/td>\nKlare Dokumentation, flexible Formate<\/span><\/td>\nVage Werkzeugbeschreibungen, starre Ausgaben<\/span><\/td>\n<\/tr>\n
Speicher-Integration<\/span><\/td>\nAbrufen von relevantem Kontext<\/span><\/td>\nLaden von \u00fcberm\u00e4\u00dfigem Kontext<\/span><\/td>\n<\/tr>\n
Bewertung<\/span><\/td>\nTestf\u00e4lle aus der Praxis<\/span><\/td>\nNur gl\u00fcckliche Wege testen<\/span><\/td>\n<\/tr>\n
Produktion<\/span><\/td>\n\u00dcberwachung, Fehlerbehebung<\/span><\/td>\nDie Annahme, dass Agenten immer Erfolg haben werden<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

H\u00e4ufig gestellte Fragen<\/span><\/h2>\n
    \n
  1. Was ist der Unterschied zwischen einem KI-Agenten und einer normalen LLM-Anwendung?<\/b><\/li>\n<\/ol>\n

    Standard-LLM-Anwendungen reagieren auf einzelne Aufforderungen, w\u00e4hrend KI-Agenten Ziele autonom \u00fcber mehrere Schritte hinweg verfolgen. Agenten verf\u00fcgen \u00fcber ein Ged\u00e4chtnis, planen Handlungsabl\u00e4ufe, verwenden Werkzeuge und treffen Entscheidungen dar\u00fcber, wie die Ziele zu erreichen sind, ohne dass f\u00fcr jeden Schritt menschliche Eingaben erforderlich sind.<\/span><\/p>\n

      \n
    1. Brauche ich ein spezielles Framework, um KI-Agenten zu entwickeln?<\/b><\/li>\n<\/ol>\n

      Nein. Forschung und praktische Erfahrung zeigen, dass einfache, zusammensetzbare Muster komplexen Rahmenwerken durchweg \u00fcberlegen sind. Die meisten erfolgreichen Implementierungen verwenden einfache Kombinationen von Sprachmodellen, Tool-APIs und Speichersystemen und keine spezialisierten Agentenbibliotheken.<\/span><\/p>\n

        \n
      1. Wie k\u00f6nnen Multiagentensysteme die Leistung verbessern?<\/b><\/li>\n<\/ol>\n

        Multi-Agenten-Architekturen erm\u00f6glichen eine Spezialisierung - ein koordinierender Agent k\u00fcmmert sich um die Planung auf hoher Ebene, w\u00e4hrend spezialisierte Subagenten spezifische technische Aufgaben oder Forschungsarbeiten \u00fcbernehmen. Dieser Ansatz verwaltet den Kontext effizienter und erm\u00f6glicht die parallele Erkundung verschiedener L\u00f6sungswege.<\/span><\/p>\n

          \n
        1. Was sind die gr\u00f6\u00dften Herausforderungen bei der Zuverl\u00e4ssigkeit von Agenten?<\/b><\/li>\n<\/ol>\n

          Zu den gr\u00f6\u00dften Herausforderungen geh\u00f6ren das unvorhersehbare Verhalten von Agenten in unerwarteten Situationen, Schwierigkeiten bei der Fehlersuche in mehrstufigen logischen Prozessen, die Kontextverwaltung bei immer komplexeren Aufgaben und die Sicherstellung, dass Agenten bei Fehlern nicht einfach versagen, sondern sch\u00e4dliche Ergebnisse liefern.<\/span><\/p>\n

            \n
          1. Wie wichtig ist die Gestaltung der Werkzeuge f\u00fcr die Wirksamkeit der Agenten?<\/b><\/li>\n<\/ol>\n

            \u00c4u\u00dferst wichtig. Laut den Entwicklungsteams von Anthropic sind Agenten nur so effektiv wie die ihnen zur Verf\u00fcgung stehenden Tools. Gut konzipierte Tools mit klarer Dokumentation und angemessenen Antwortformaten verbessern die Leistung dramatisch, w\u00e4hrend schlecht konzipierte Tools die Agenten selbst bei einfachen Aufgaben in Schwierigkeiten bringen.<\/span><\/p>\n

              \n
            1. Welche Rolle spielen Normen bei der Entwicklung von Agenten?<\/b><\/li>\n<\/ol>\n

              Standards stellen sicher, dass Agenten system\u00fcbergreifend interagieren, ihre Autorisierung nachweisen und sicher funktionieren k\u00f6nnen. Die im Jahr 2026 gestartete NIST-Initiative f\u00fcr KI-Agentenstandards konzentriert sich auf die Schaffung von Rahmenwerken f\u00fcr Vertrauen, Sicherheit und Interoperabilit\u00e4t, da Agenten branchen\u00fcbergreifend immer h\u00e4ufiger eingesetzt werden.<\/span><\/p>\n

                \n
              1. Sollten Agenten ihre Argumente immer erkl\u00e4ren?<\/b><\/li>\n<\/ol>\n

                Ja, f\u00fcr die meisten Anwendungen. Transparenz dar\u00fcber, warum Agenten bestimmte Aktionen durchf\u00fchren, schafft Vertrauen beim Benutzer, erm\u00f6glicht Fehlersuche und hilft zu erkennen, wenn Agenten unbeabsichtigte Strategien verfolgen. Ohne Erkl\u00e4rbarkeit k\u00f6nnen die Entscheidungen von Agenten willk\u00fcrlich oder bedenklich erscheinen, was die praktische Anwendung einschr\u00e4nkt.<\/span><\/p>\n

                Fortschritte bei der Agentenentwicklung<\/span><\/h2>\n

                Die Entwicklung effektiver KI-Agenten erfordert das Verst\u00e4ndnis, dass die Architektur die Zuverl\u00e4ssigkeit bestimmt, dass Einfachheit vor Komplexit\u00e4t geht und dass Werkzeuge ebenso wichtig sind wie Modelle.<\/span><\/p>\n

                Die Entwicklung in diesem Bereich schreitet rasch voran. Durch Normungsinitiativen werden Rahmenbedingungen f\u00fcr eine sichere Einf\u00fchrung geschaffen. Die Forschung kl\u00e4rt, welche Architekturmuster in der Produktion tats\u00e4chlich funktionieren. Und die praktische Erfahrung zeigt, dass die erfolgreichsten Implementierungen einfach beginnen und die Komplexit\u00e4t nur dann erh\u00f6hen, wenn dies eindeutig gerechtfertigt ist.<\/span><\/p>\n

                F\u00fcr Teams, die bereit sind, Agentensysteme zu entwickeln, ist der Weg nach vorn klar: Konzentration auf zusammensetzbare Komponenten, sorgf\u00e4ltige Entwicklung von Werkzeugen, Implementierung von Transparenz von Anfang an und unerbittliche Evaluierung anhand realer Anwendungsf\u00e4lle. Die Prinzipien sind wichtiger als die Frameworks.<\/span><\/p>","protected":false},"excerpt":{"rendered":"

                Quick Summary: Building AI agents requires understanding core architectural components like large language models, memory systems, tool integration, and planning mechanisms. Effective agent design emphasizes composable patterns over complex frameworks, with reliability shaped by how components interact. Successful implementations balance autonomy with transparency, enabling agents to reason, plan, and execute tasks while maintaining human oversight. […]<\/p>\n","protected":false},"author":18,"featured_media":15380,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[17],"tags":[],"class_list":["post-15378","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence"],"acf":[],"_links":{"self":[{"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/posts\/15378","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/users\/18"}],"replies":[{"embeddable":true,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/comments?post=15378"}],"version-history":[{"count":1,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/posts\/15378\/revisions"}],"predecessor-version":[{"id":15381,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/posts\/15378\/revisions\/15381"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/media\/15380"}],"wp:attachment":[{"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/media?parent=15378"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/categories?post=15378"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/a-listware.com\/de\/wp-json\/wp\/v2\/tags?post=15378"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}