Anmerkung des Autors: Bei der KI-Produktion von Kurzdramen darf man nicht nur die Wirkung einzelner Einstellungen betrachten. Dieser Artikel stellt eine Methode für das Asset-Management über mehrere Episoden hinweg vor – vom Drehbuch-Breakdown bis zur Änderungsverfolgung – und erklärt, wie man Modelle über eine API anbindet, um strukturierte Extraktion und Kontinuitätsprüfungen durchzuführen.
36Kr veröffentlichte am 4. November 2026 einen Bericht, wonach Alibaba die KI-Kreativplattform Looogen intern teste und sie in der Überschrift als „Alibaba-Version von Jimeng AI“ bezeichne. Die Zahl der KI-Kreativplattformen wächst stetig, und isolierte Generierungsfunktionen sind immer leichter verfügbar. Unsere Einschätzung: Der Wettbewerbsfaktor in der KI-Produktion von Kurzdramen verschiebt sich hin zu der Frage, ob man die Assets über mehrere Episoden hinweg im Griff hat.
Dies ist weder ein Plattformtest noch eine Tool-Rangliste. Die derzeit überprüfbaren öffentlichen Informationen sind begrenzt; für die konkreten Funktionen von Looogen sind weiterhin offizielle Veröffentlichungen maßgeblich. Dieser Artikel konzentriert sich auf Methoden, die Teams sofort umsetzen können: Wie lassen sich Figuren, Schauplätze, Requisiten und Stimmen über Dutzende Episoden hinweg konsistent halten, und wie lässt sich bei Änderungen der betroffene Bereich nachvollziehen?
Der zentrale Nutzen: Nach der Lektüre dieses Artikels können Sie einen Asset-Management-Workflow für mehrere Episoden aufbauen, der Asset-Nummerierung, Versionssperren, Shot-Karten, Kontinuitätsprüfungen und Änderungsverfolgung umfasst. Die Textverarbeitungsschritte im Workflow lassen sich automatisieren, indem man Modelle über APIYI anbindet.
Kernpunkte der Wettbewerbsverlagerung in der KI-Produktion von Kurzdramen
Ob ein einzelner Shot gut ist, erkennen Zuschauer auf den ersten Blick. Bei Kurzdramen mit mehreren Folgen zeigen sich Probleme jedoch oft erst beim fortlaufenden Ansehen: Die Frisur der Hauptdarstellerin ändert sich in Folge 3, das Büro des Antagonisten bekommt ein anderes Layout, und das in der vorherigen Folge zerbrochene Handy ist in der nächsten wieder wie neu. Selbst eine hohe Shot-Qualität kann solche Kontinuitätsfehler nicht ausgleichen.
| Vergleichsdimension | Ausrichtung auf Einzel-Shot-Generierung | Ausrichtung auf Mehrfolgen-Assetmanagement | Praktischer Nutzen |
|---|---|---|---|
| Kernziel | Den aktuellen Frame gut aussehen lassen | Die gesamte Serie durchgängig konsistent halten | Risiko von Kontinuitätsfehlern zwischen Folgen senken |
| Arbeitseinheit | Eingabeaufforderungen und einzelne Videos | Assets mit Nummer und Version | Assets wiederverwendbar und rückverfolgbar |
| Änderungsmethode | Nach Entdeckung eines Problems jeden Eintrag einzeln neu erstellen | Zuerst Referenzbeziehungen prüfen, dann gezielt nacharbeiten | Nacharbeitsaufwand eingrenzen |
| Erfahrungssicherung | Bleibt in den Eingabeaufforderungen Einzelner | Bleibt in einer teamweit gemeinsam genutzten Asset-Bibliothek | Übergabekosten im Team senken |
Warum die KI-Produktion von Kurzdramen Mehrfolgen-Assets unter Kontrolle halten muss
Kurzdramen haben in der Regel viele Folgen, ein schnelles Tempo und werden oft von mehreren Personen parallel produziert. Mit jeder zusätzlichen Folge wächst die Zahl der Zustände, die konsistent bleiben müssen: Ist eine Figur verletzt, welches Outfit trägt sie, und wer hat gerade ein bestimmtes Erinnerungsstück bei sich? Wenn diese Informationen nur im Kopf und in Chatverläufen gepflegt werden, schleichen sich bei vielen Folgen leicht Fehler ein.
Genau dieses Problem löst Asset-Management. Es verwandelt „im Kopf gespeicherte Festlegungen“ in „Daten, die abfragbar, referenzierbar und sperrbar sind“. Selbst wenn die Generierungswerkzeuge später gewechselt werden, bleiben Figuren-Setups, Referenzbilder und Shot-Beziehungen beim Team – und genau das ist der stabilste Bestand, wenn Tools sich schnell weiterentwickeln.
Schnellstart in die KI-Produktion mehrerer Episoden-Assets für Kurzdramen: der 6-Schritte-Ablauf
Der folgende Ablauf ist nicht an eine bestimmte Plattform gebunden. Kleine Teams können mit mehrdimensionalen Tabellen und Objektspeicher starten und später auf eine Datenbank oder ein professionelles System umsteigen, wenn sie wachsen.
Schritt 1: Das Drehbuch in strukturierte Daten für die KI-Produktion von Kurzdramen aufteilen
Erstellen Sie zuerst die „Serienbibel“ – die zentrale Übersicht aller Vorgaben der Serie mit Weltbild, Figurenbeziehungen, Zeitlinie und einer Zusammenfassung jeder Episode. Zerlegen Sie anschließend das Drehbuch jeder Episode in Szenen und Einstellungen und extrahieren Sie die darin vorkommenden Figuren, Orte, Requisiten und Zustandsänderungen.
Dieser Schritt eignet sich gut dafür, einen ersten Entwurf von einem großen Sprachmodell erstellen zu lassen und ihn danach von einer Drehbuchautorin oder einem Produktionskoordinator prüfen zu lassen. Das Modell übernimmt Extraktion und Kategorisierung, der Mensch beurteilt, ob die Vorgaben stimmen. So steigt die Effizienz, und Fehler gelangen nicht ungefiltert in die nächsten Schritte.
Schritt 2: Assets über mehrere Episoden hinweg einheitlich kategorisieren und nummerieren
Die Nummerierungsregeln müssen unbedingt vor dem Start feststehen – sonst lässt sich später kaum noch nachvollziehen, was wozu gehört. Am besten gibt man jedem Asset eine eindeutige ID und schreibt Typ sowie Version in die Nummer hinein. Beispiel: CHR-LINNA-V03 steht für die dritte Version der Figur Linna, EP03-S02-SH014 für Episode 3, Szene 2, Shot 14.
| Asset-Typ | Was gespeichert werden muss | Beispielnummer | Typisches Problem ohne Verwaltung |
|---|---|---|---|
| Figur | Make-up-Referenzbild, Mehransichtsbilder, Kleidung, Alterszustand | CHR-LINNA-V03 |
Dieselbe Person sieht über die Episoden hinweg unterschiedlich aus |
| Szene | Raumaufteilung, Tageszeit und Licht, zentrale Ausstattung | LOC-OFFICE-V02 |
Die Anordnung desselben Raums verändert sich |
| Requisite | Aussehen, Zugehörigkeit, aktueller Zustand | PROP-RING-V01 |
Eine bereits beschädigte oder übergebene Requisite taucht wieder im Originalzustand auf |
| Stimme | Stimmklang der Figur, Sprechtempo, Lizenznachweise | VOC-LINNA-V01 |
Die Synchronstimme ist von Folge zu Folge nicht einheitlich |
| Stil | Farbton, Bildformat, Bildsprache, negative Vorgaben | STY-MAIN-V02 |
Verschiedene Personen erzeugen Episoden mit unterschiedlicher Anmutung |
Schritt 3: Versionierungs- und Sperrregeln für episodenübergreifende Assets festlegen
Verwenden Sie vier Status: draft steht für Entwurf, review für Prüfung ausstehend, locked für gesperrt und deprecated für veraltet. Offizielle Shots dürfen grundsätzlich nur Assets im Status locked referenzieren. So wird verhindert, dass jemand mit unbestätigten Versionen loslegt.
Sobald eine Version gesperrt ist, sollte sie nicht einfach überschrieben werden. Bei Änderungen sollte man eine neue Version anlegen und den Grund dokumentieren. Wenn eine Figur ab Episode 10 zum Beispiel kurze Haare hat, sollte eine neue Version angelegt und der Bereich der Episoden angegeben werden, für den sie gilt. Die alte Version muss erhalten bleiben, weil frühere Shots sie noch referenzieren.
Schritt 4: Mit Shot-Karten die verschiedenen Assets der KI-Produktion von Kurzdramen verknüpfen
Die Shot-Karte ist die zentrale Drehscheibe des gesamten Prozesses. Sie hält fest, welche Assets in einem Shot verwendet wurden, mit welchen Parametern er erzeugt wurde und wo das Ergebnis gespeichert ist. Solange jedes Video eine passende Shot-Karte hat, gibt es für spätere Prüfungen und Nacharbeiten eine verlässliche Grundlage.
| Feld | Beschreibung | Beispiel |
|---|---|---|
shot_id |
Eindeutige Shot-Nummer | EP03-S02-SH014 |
asset_refs |
Referenzierte Assets und Versionen | CHR-LINNA-V03, LOC-OFFICE-V02 |
story_state |
Aktueller Handlungszustand | linke Hand verletzt, Ring bereits zurückgegeben |
prompt_version |
Version der Eingabeaufforderung | P-EP03-014-V02 |
generator |
Verwendetes Generierungstool bzw. Modell und Parameter | nach tatsächlich verwendetem Tool und Modell ausfüllen |
output_uri |
Speicherort des fertigen Videos oder Materials | Objektspeicherpfad des Teams |
review_status |
Prüfstatus | Prüfung ausstehend, bestanden, Nacharbeit erforderlich |
Schritt 5: Asset-Kontinuität über mehrere Episoden mit dem Modell prüfen
Prüfen Sie vor und nach jeder Episodengenerierung einmal. Lassen Sie das Textmodell vor der Generierung die Einstellungskarten der aktuellen Episode mit dem Figurenstatus und der Timeline der vorherigen Episode abgleichen und auf Widersprüche prüfen. Nach der Generierung lassen Sie ein multimodales Modell mit Bild-Eingabe die Keyframes mit den Asset-Referenzbildern vergleichen und auf Abweichungen bei Kleidung, Frisur und Ausstattung hinweisen.
Die Prüfergebnisse des Modells dienen nur als Vorwarnung – die endgültige Bestätigung erfolgt weiterhin manuell. Es empfiehlt sich, das Modell die Ergebnisse in festen Feldern ausgeben zu lassen: Einstellungsnummer, Konflikttyp, Begründung und Schweregrad. So lassen sie sich leicht in eine Tabelle importieren und nach Priorität abarbeiten.
Schritt 6: Auswirkungen von Asset-Änderungen in der KI-Kurzdrama-Produktion nachverfolgen
Wenn sich ein Asset ändert, fragen Sie zuerst alle Einstellungskarten ab, die die alte Version referenzieren, und markieren Sie dann, welche Einstellungen betroffen sind. Anschließend entscheiden Sie anhand des Veröffentlichungsstatus und der sichtbaren Auswirkung, ob neu produziert werden muss – statt die ganze Episode über den Haufen zu werfen. Ob dieser Schritt reibungslos funktioniert, hängt davon ab, ob die asset_refs vorher vollständig ausgefüllt wurden.
Nach Abschluss jeder Episode empfiehlt es sich, den Anteil der Nacharbeiten an den Einstellungen, die Anzahl der Kontinuitätsprobleme und den Modellaufruf-Verbrauch pro Episode zu erfassen. Diese eigenen Teamdaten helfen bei der Planung von Zeitbudget und Kosten für die nächste Episode besser als jede allgemeine Erfahrung.
🚀 Schnellstart: Sie können zunächst eine Episode als Testlauf für den oben beschriebenen Ablauf auswählen – es muss nicht gleich die ganze Serie abdecken. Die Modellaufrufe im Ablauf lassen sich über APIYI anbinden; die Anleitung dazu finden Sie im Dokumentationszentrum unter
docs.apiyi.com.
Mehrteiligen Asset-Workflow für die KI-Kurzserienproduktion über die API anbinden
Das Asset-Management-System selbst muss nicht an ein bestimmtes Modell gebunden sein. Robuster ist es, Drehbuchzerlegung, Setting-Extraktion und Kontinuitätsprüfung als eigenständige Aufgaben zu kapseln, sodass Modelle je nach Aufgabe ausgetauscht werden können. APIYI bietet die in diesem Artikel verwendeten APIs für Text- und multimodale Modelle; sie sind mit den Schnittstellenformaten von OpenAI und Anthropic kompatibel. Bestehende Projekte müssen in der Regel nur die Konfiguration anpassen. Die konkrete Modellliste finden Sie auf der APIYI-Modellseite.
| Prozessaufgabe | Eingabe | Erwartete Ausgabe | Erforderliche Modellfähigkeit | Wichtige Parameter |
|---|---|---|---|---|
| Drehbuchzerlegung | Drehbuch einer einzelnen Episode | Szenen, Einstellungen, Asset-Liste | Langtextverständnis, strukturierte Ausgabe | model, messages |
| Setting-Extraktion | Figurenkurzbiografien, Episodenübersicht | Charakter- und Requisitenprofile | Informationsextraktion | response_format (OpenAI-Format; Unterstützung je nach Modell unterschiedlich) |
| Statusprüfung | Shot-Karten zweier aufeinanderfolgender Episoden | Liste der Konflikte im Handlungsstatus | Logisches Schlussfolgern | system, max_tokens (Anthropic-Format) |
| Bildvergleich | Keyframes, Asset-Referenzbilder | Hinweise auf visuelle Abweichungen | Bildverständnis | Gemäß dem multimodalen Eingabeformat des gewählten Modells ausfüllen |
Gehen Sie bei der Anbindung in folgender Reihenfolge vor:
- Lesen Sie die APIYI-Dokumentation
docs.apiyi.com, und bestätigen Sie API-Endpunkt, Authentifizierungsmethode und verwendetes Format. - Prüfen Sie unter
https://docs.apiyi.com/models, ob das Zielmodell verfügbar ist und welche Abrechnungsregeln gelten. - Legen Sie den API Key in Umgebungsvariablen oder einem Secret-Management-Dienst ab; schreiben Sie ihn nicht in gemeinsam genutzte Tabellen oder Vorlagen für Eingabeaufforderungen.
- Testen Sie zunächst mit den Daten einer Episode, und protokollieren Sie Eingabeaufforderung, Modellname und Ausgabe gemeinsam.
Die Kostenstatistik sollte von Anfang an in den Prozess integriert werden. Bei Antworten im OpenAI-Format lassen sich in der Regel prompt_tokens und completion_tokens auslesen, im Anthropic-Format üblicherweise input_tokens und output_tokens. Wenn Sie diese Werte zurück in die Shot-Karte oder das Aufgabenprotokoll schreiben, können Sie pro Episode abrechnen.
💰 Preishinweis: In diesem Artikel werden keine konkreten Einzelpreise genannt. Modellpreise, Abrechnungsgrundlagen, Input-/Output-Preise und Cache-Preise richten sich nach den tatsächlichen Daten auf der APIYI-Preisseite
https://docs.apiyi.com/models.
Vergleich von Asset-Management-Lösungen für die KI-Produktion mehrteiliger Kurzserien
Teams unterschiedlicher Größe passen nicht dieselben Management-Lösungen. Die folgende Tabelle ist ein qualitativer Vergleich entlang der Workflow-Eigenschaften – keine gemessenen Benchmarks. Bei der Auswahl sollte man trotzdem einen Testlauf mit dem eigenen Projekt machen.
| Lösung | Kernmerkmale | Einsatzszenario | Wichtigste Einschränkung | Empfehlung zur Modellanbindung |
|---|---|---|---|---|
| Tabelle + Objektspeicher | Schnell einsatzbereit, geringer Umstellungsaufwand | Kleine Teams, Pilotprojekte | Abhängig von manueller Pflege, Referenzen werden leicht übersehen | Modelle über APIYI aufrufen, um die Extraktion zu unterstützen |
| Eigene Asset-Datenbank + Modell-Orchestrierung | Daten und Prozesse unter eigener Kontrolle | Teams mit vielen langfristigen Projekten | Erfordert Aufwand für Entwicklung und Betrieb | Modelle über eine einheitliche Schnittstelle je nach Aufgabe wechseln |
| Integrierte Kreativplattform | Kreativprozess gebündelt, niedrigere Einstiegshürde | Teams, die schnell fertige Folgen brauchen | Export- und Migrationsfähigkeit der Assets muss geprüft werden | Richtet sich nach den tatsächlich verfügbaren Funktionen der Plattform |
Einordnung des Vergleichs der KI-Produktionslösungen für Kurzserien
Die leichtgewichtige Tabellenlösung punktet vor allem beim Start: schnell aufgesetzt. Mit steigender Folgenzahl wächst jedoch der Druck zur manuellen Synchronisierung deutlich. Eine eigene Asset-Datenbank eignet sich dagegen besser für Teams, die Assets projektübergreifend wiederverwenden wollen – Referenzabfragen und Impact-Analysen lassen sich dort leichter automatisieren.
Integrierte Kreativplattformen reduzieren den Tool-Wechsel; auch Beta-Produkte wie Looogen sind einen Blick wert. Achten Sie bei der Auswahl aber nicht nur auf die Generierungsqualität: Prüfen Sie auch, ob sich Assets im Batch exportieren lassen, ob Versionsstände erhalten bleiben und ob Schnittstellen offen sind. Für die meisten Teams ist es die sicherere Wahl, Kernassets und Metadaten selbst in der Hand zu halten.
💡 Auswahltipp: Testen Sie den Vergleich am besten mit dem echten Drehbuch derselben Folge. Beim Schritt der Textprüfung können Sie über APIYI verschiedene Modelle durchschalten und erst nach dem Vergleich von Extraktionsgenauigkeit und Aufrufkosten entscheiden.
FAQ zu häufigen Fragen bei Multi-Episode-Assets in der KI-Produktion von Kurzdramen
F1: Was sind Multi-Episode-Assets in der KI-Produktion von Kurzdramen?
Multi-Episode-Assets sind Produktionsfaktoren, die über mehrere Episoden hinweg wiederverwendet werden und konsistent bleiben müssen – dazu gehören Figuren, Schauplätze, Requisiten, Stimmen und Stilvorgaben sowie die zugehörigen Eingabeaufforderungen, die Versionshistorie und die Referenzbeziehungen zwischen ihnen.
F2: Worin unterscheidet sich die Verwaltung von Multi-Episode-Assets von einer gewöhnlichen Materialbibliothek?
Eine gewöhnliche Materialbibliothek beantwortet vor allem die Frage „Wo liegt die Datei?“. Die Verwaltung von Multi-Episode-Assets muss zusätzlich klären: „Welche Version ist derzeit gültig, welche Shots verweisen darauf, und welche Episoden sind von einer Änderung betroffen?“ Der Schwerpunkt liegt also auf Status und Referenzbeziehungen.
F3: Kann man Looogen schon nutzen? Welche Asset-Management-Funktionen gibt es?
Laut der Schlagzeile von 36Kr vom 4. November 2026 befindet sich Looogen in der geschlossenen Beta-Phase. Zum freigegebenen Nutzerkreis und zu den konkreten Funktionen sind die offiziellen Angaben von Alibaba maßgeblich; dieser Artikel stellt dazu keine Vermutungen an.
F4: Welche Kurzdramen-Projekte brauchen diesen Workflow am dringendsten?
Am meisten profitieren Projekte mit vielen fortlaufenden Episoden, komplexen Figurenbeziehungen, paralleler Arbeit mehrerer Personen oder der Planung, ein IP dauerhaft fortzuführen und wiederzuverwenden. Bei Einzelepisoden oder einmaligen Inhalten reicht in der Regel eine schlanke Shot-Karte aus.
F5: Wie ruft man Modelle per API auf, um Drehbuchauflösung und Kontinuitätsprüfung durchzuführen?
Sie können Modelle über APIYI aufrufen; der Dienst ist mit den Schnittstellenformaten von OpenAI und Anthropic kompatibel. Sehen Sie sich zuerst `docs.apiyi.com` an und schließen Sie die Konfiguration ab. Testen Sie dann mit dem Drehbuch einer einzelnen Episode und legen Sie die Ausgabefelder fest, damit die Daten sauber in die Datenbank übernommen werden können.
F6: Wie lassen sich die Kosten für Modellaufrufe schätzen?
Erfassen Sie zunächst anhand einer Episode den Token-Verbrauch der einzelnen Aufgaben und rechnen Sie ihn dann anhand der Episodenzahl auf die Gesamtmenge hoch. Die Preise und die Regeln zur Abrechnung von Caching finden Sie auf der Preisseite von APIYI unter `https://docs.apiyi.com/models`; maßgeblich sind die dort tatsächlich angezeigten Daten.
F7: Welche Einschränkungen hat dieser Multi-Episode-Asset-Workflow?
Er erhöht den Aufwand für die anfängliche Datenpflege und die Freigabeprüfung und kann die Konsistenzfähigkeit des generativen Modells selbst nicht ersetzen. Die Modellprüfung kann Sachverhalte übersehen oder Fehlalarme auslösen. Bei Fragen der Lizenzierung von Porträt und Stimme ist zusätzlich eine separate Compliance-Prüfung erforderlich.
Key Takeaways: Assets für mehrteilige Kurzdrama-Produktionen mit KI
- Der Wettbewerb verschiebt sich: Die Qualität einzelner Shots bleibt wichtig, doch die Konsistenz über mehrere Episoden entscheidet stärker darüber, wie eine ganze Serie wirkt.
- Assets brauchen Nummern: Charaktere, Szenen, Requisiten, Stimmen und Stile benötigen jeweils eine eindeutige ID und eine Versionsangabe.
- Finale Shots referenzieren festgeschriebene Versionen: Die
locked-Regel verhindert, dass unbestätigte Festlegungen in den fertigen Film gelangen. - Die Shot-Karte ist der Dreh- und Angelpunkt: Sie hält Asset-Referenzen und Generierungsparameter fest, sodass sich bei Nacharbeit die betroffene Stelle präzise finden lässt.
- Das Modell warnt, der Mensch entscheidet: Kontinuitätsprüfungen lassen sich automatisieren, die abschließende Bewertung bleibt jedoch manuell.
- Der Modellzugang bleibt austauschbar: Über APIYI lassen sich Modelle einheitlich anbinden, was den Vergleich und Wechsel je nach Aufgabe erleichtert.
Fazit
Dass sich der Wettbewerb in der KI-Produktion von Kurzdramen verlagert, heißt nicht, dass die Generierungsqualität an Bedeutung verliert. Es zeigt vielmehr, dass gute einzelne Shots allein noch keine mehrteilige Produktion tragen.
Die Kernvorgehensweise dieses Artikels lässt sich in drei Punkten zusammenfassen:
- Erst Assets aufbauen, dann in Serie generieren: Nach Drehbuchaufschlüsselung, Asset-Nummerierung und Versionssperrung geht es in die Serienproduktion.
- Jeden Shot nachvollziehbar machen: Shot-Karten halten Asset-Referenzen, Handlungsstatus und Generierungsparameter fest.
- Prüfungen und Änderungen in den Ablauf integrieren: Modelle erkennen Konflikte frühzeitig, und Nacharbeit erfolgt gezielt entlang der Referenzbeziehungen.
Empfehlung: Starten Sie mit der nächsten Episode als Testlauf, bringen Sie zuerst den minimalen Ablauf zum Laufen und erweitern Sie dann schrittweise die Automatisierung. Wenn Sie Modelle anbinden möchten, können Sie über APIYI testen; die Anbindung ist im Dokumentationszentrum docs.apiyi.com beschrieben. Modellpreise und Abrechnungsregeln richten sich nach den tatsächlichen Daten unter https://docs.apiyi.com/models.
📚 Referenzen
- 36Kr – Alibaba testet intern die KI-Kreativplattform „Looogen“ – ein Alibaba-Pendant zu Jimeng AI? Die Quelle der Branchenmeldung in diesem Artikel
- Link:
36kr.com/p/4054988150478473 -
Hinweis: Veröffentlicht am 4. November 2026; geeignet, um Berichte zum Looogen-Beta-Test nachzulesen
-
APIYI Dokumentationszentrum: Hinweise zur API-Anbindung
- Link:
docs.apiyi.com -
Hinweis: Hier finden Sie die Konfiguration für OpenAI- und Anthropic-kompatible Formate
-
APIYI Modell- und Preisseite: Modelle und Abrechnungsinformationen
- Link:
docs.apiyi.com/models - Hinweis: Modellpreise, Abrechnungsgrundlagen und Cache-Preise richten sich nach den tatsächlichen Daten auf dieser Seite
Autor: APIYI Technikteam
Technischer Austausch: Kontaktieren Sie uns gerne über die Startseite der APIYI-Website. Weitere Materialien finden Sie im Dokumentationszentrum unter docs.apiyi.com
