Was ist ein LLM-Agent?

Ein LLM-Agent ist ein KI-System, das ein Large Language Model mit Planung, Speicher und externen Tools kombiniert, um Aufgaben autonom zu erledigen.

Im Gegensatz zu einem herkömmlichen Sprachmodell, das in erster Linie Text generiert, kann ein LLM-Agent Entscheidungen treffen, mit externen Systemen interagieren und mehrstufige Abläufe ausführen, um ein bestimmtes Ziel zu erreichen.

LLM-Agenten kommen unter anderem im Kundensupport, in der Softwareentwicklung und Forschung sowie bei der Workflow-Automatisierung und persönlichen Produktivität zum Einsatz.

Allen Anwendungsfällen liegt dieselbe Fähigkeit zugrunde: LLM-Agenten zerlegen Aufgaben in einzelne Schritte, nutzen externe Tools und erledigen die Arbeit unter minimalem menschlichem Eingreifen.

LLM-Agenten vs. KI-Agenten

Ein LLM-Agent ist ein KI-Agent, der ein Large Language Model nutzt, um Anweisungen zu verstehen, Aufgaben schrittweise zu durchdenken und mit externen Tools zu interagieren.

Als KI-Agenten werden allgemein alle Systeme bezeichnet, die ihre Umgebung wahrnehmen, Entscheidungen treffen und Handlungen ausführen können, um ein Ziel zu erreichen.

Einige KI-Agenten basieren auf Large Language Models, andere auf Machine-Learning-Modellen, regelbasierten Systemen oder herkömmlicher Software.

Die folgende Tabelle zeigt die wichtigsten Unterschiede zwischen LLM-Agenten und generellen KI-Agenten:

Jeder LLM-Agent ist ein KI-Agent, aber nicht jeder KI-Agent ist ein LLM-Agent.

Ein Lagerroboter, der Pakete sortiert, ist beispielsweise ein KI-Agent, da er anhand von Sensordaten Entscheidungen trifft, obwohl er kein Sprachmodell verwendet.

Ein Coding-Assistent oder Forschungsagent hingegen nutzt ein LLM, um Anfragen zu verstehen, mehrere Schritte zu durchdenken und Antworten zu generieren, während er mit externen Tools interagiert.

Wie funktionieren LLM-Agenten?

Ein LLM-Agent erledigt Aufgaben in einem fortlaufenden Zyklus aus Schlussfolgerung, Planung, Ausführung und Auswertung.

Der Agent analysiert Ihre Anfrage, entscheidet über den nächsten Schritt, nutzt bei Bedarf externe Tools, prüft die Ergebnisse und wiederholt diesen Prozess, bis das Ziel erreicht ist.

1. Eingabeaufforderung interpretieren

Der Kreislauf beginnt damit, dass der Agent Ihre Anfrage analysiert und dabei das Ziel, die Rahmenbedingungen und das erwartete Ergebnis ermittelt.

Angenommen, Sie bitten den Agenten, eine dreitägige Reise nach Tokio mit einem Budget von 2.000 € zu planen.

Bevor der Agent über das weitere Vorgehen entscheidet, ermittelt er das Reiseziel, die Reisedaten, das Budget und alle von Ihnen angegebenen Präferenzen – etwa ob Sie mit Kindern reisen oder Zwischenstopps vermeiden möchten.

Noch bevor das Sprachmodell mit dem Schlussfolgern beginnt, führt die Orchestrierungsebene alle relevanten Kontextinformationen in einer einzigen Eingabeaufforderung zusammen.

Neben Ihrer Anfrage kann die Eingabeaufforderung den bisherigen Gesprächsverlauf, gespeicherte Präferenzen, abgerufene Dokumente, Systemanweisungen und weitere Informationen enthalten, auf die der Agent zugreifen kann.

Steht dem Agenten von Anfang an der vollständige Kontext zur Verfügung, kann er fundiertere Entscheidungen treffen und unnötige Tool-Aufrufe im weiteren Ablauf vermeiden.

2. Aufgabe planen

Nachdem der Agent die Anfrage interpretiert hat, erstellt er einen ersten Plan und unterteilt das Ziel dafür in kleinere Schritte.

Bei einer dreitägigen Reise nach Tokio kann der Ablauf damit beginnen, Flüge zu suchen, Hotels zu vergleichen, Sehenswürdigkeiten in der Nähe der jeweiligen Hotels zu finden, Reisezeiten zu schätzen und die Aktivitäten zu einem Tagesplan zusammenzustellen.

Das Sprachmodell erstellt diese Abfolge von Aufgaben durch strukturiertes Schlussfolgern und ermittelt dabei, welche Informationen oder Tools für die einzelnen Schritte benötigt werden.

Der Plan ist nicht festgelegt. Nach jeder abgeschlossenen Aktion übermittelt die Orchestrierungsebene die neuesten Ergebnisse als aktualisierten Kontext an das Sprachmodell.

Anhand dieser Informationen entscheidet das Modell, ob es mit dem nächsten Schritt fortfährt, den Plan anpasst oder zunächst zusätzliche Informationen einholt.

3. Tools ausführen

Sobald der Agent den nächsten Schritt bestimmt hat, führt er ihn durch die Interaktion mit externen Systemen aus.

Angenommen, für die Reiseplanung nach Tokio werden aktuelle Flugpreise benötigt. Das Sprachmodell erstellt eine strukturierte Tool-Anfrage, mit der ein Flugsuchdienst nach verfügbaren Flügen innerhalb des festgelegten Budgets durchsucht wird.

Eine Orchestrierungsebene führt die Anfrage aus, ruft die Ergebnisse ab und fügt sie dem Kontext des Agenten hinzu. So kann das Sprachmodell die neuen Informationen beim nächsten Schlussfolgerungsschritt berücksichtigen.

Über denselben Mechanismus kann der Agent das Web durchsuchen, Datenbanken abfragen, Dokumente abrufen, Code ausführen oder über APIs mit Geschäftsanwendungen interagieren.

Externe Tools ermöglichen dem Agenten den Zugriff auf aktuelle Informationen und Funktionen, die nicht Bestandteil des Sprachmodells selbst sind.

Jede Antwort eines Tools wird Teil des Arbeitskontexts des Agenten. Das Sprachmodell kann dadurch entscheiden, ob genügend Informationen vorliegen, um fortzufahren, oder ob ein weiterer Tool-Aufruf erforderlich ist.

4. Ergebnisse auswerten

Nach einer Aktion bewertet der Agent, ob das Ergebnis genügend Informationen liefert, um den Ablauf fortzusetzen.

Angenommen, die Flugsuche liefert keine Optionen innerhalb Ihres Budgets von 2.000 €. Die Orchestrierungsebene übermittelt diese Ergebnisse an das Sprachmodell, das prüft, ob das ursprüngliche Ziel erreicht wurde.

Da die Suche keinen passenden Reiseplan ergeben hat, leitet das Modell einen neuen Schlussfolgerungsschritt ein. Es kann beispielsweise die Suchkriterien erweitern, nahe gelegene Flughäfen prüfen oder Sie fragen, ob Sie bereit sind, Ihr Budget zu erhöhen.

Dasselbe Auswertungsverfahren kommt bei fehlgeschlagenen API-Anfragen, fehlenden Datensätzen oder widersprüchlichen Informationen zum Einsatz.

Nach jeder Tool-Antwort entscheidet das Sprachmodell, ob es mit dem bestehenden Plan fortfährt, ihn anpasst, weitere Informationen abruft oder Sie um zusätzliche Angaben bittet.

Dieser Zyklus wiederholt sich, bis der Agent über genügend Informationen verfügt, um die Aufgabe abzuschließen.

5. Antwort generieren

Sobald genügend Informationen vorliegen, um die Aufgabe abzuschließen, stellt die Orchestrierungsebene den finalen Kontext zusammen und übermittelt ihn für eine letzte Schlussfolgerung an das Sprachmodell.

Die Eingabeaufforderung enthält die ursprüngliche Anfrage, abgerufene Dokumente, Tool-Antworten und die Ergebnisse der vorherigen Schlussfolgerungsschritte.

Auf Grundlage dieses vollständigen Kontexts generiert das Sprachmodell eine Antwort, die alle Informationen berücksichtigt, die der Agent im Laufe des Ablaufs gewonnen hat.

Bei der Reiseplanung nach Tokio fasst die finale Antwort Flugoptionen, Hotelempfehlungen, tägliche Aktivitäten und Reisezeiten zu einem vollständigen dreitägigen Reiseplan zusammen, der Ihrem Budget und Ihren Präferenzen entspricht.

Arten von LLM-Agenten

LLM-Agenten unterscheiden sich darin, wie selbstständig sie arbeiten und Aufgaben erledigen.

Einige Agenten folgen einem vorab definierten Ablauf, während andere ihre nächsten Schritte selbst bestimmen, externe Tools nutzen oder mit anderen Agenten zusammenarbeiten, um komplexere Probleme zu lösen.

Reaktive Agenten

Reaktive Agenten bearbeiten jeweils eine Anfrage. Sie analysieren die Eingabeaufforderung, generieren eine Antwort und beenden den Vorgang, sobald die aktuelle Aufgabe abgeschlossen ist. Erfordert der Ablauf einen weiteren Schritt, müssen Sie eine neue Anweisung geben.

Viele KI-Schreibassistenten und Frage-Antwort-Anwendungen funktionieren auf diese Weise. Sie generieren Antworten, planen danach jedoch keine weiteren Schritte und führen auch keine weiteren Aktionen aus.

Angenommen, Sie bitten einen KI-Assistenten, eine Marketing-E-Mail umzuschreiben: Der Assistent überarbeitet den Text, gibt das Ergebnis aus und beendet damit die Aufgabe. Bitten Sie ihn anschließend, die E-Mail zu kürzen oder für LinkedIn anzupassen, beginnt mit jeder Anfrage eine neue Interaktion, da der Assistent den Ablauf nicht selbstständig fortsetzt.

Tool-nutzende Agenten

Tool-nutzende Agenten erweitern ihre Fähigkeiten durch die Interaktion mit externen Systemen. Statt ausschließlich auf die im Sprachmodell verfügbaren Informationen zurückzugreifen, können sie das Web durchsuchen, Datenbanken abfragen, Dokumente abrufen, Code ausführen oder über APIs mit Geschäftsanwendungen interagieren.

Durch den Zugriff auf externe Tools können die Agenten aktuelle Informationen verarbeiten und Aktionen ausführen, die ein eigenständiges Sprachmodell allein nicht bewältigen kann.

Stellen Sie sich einen Coding-Agenten vor, der einen Fehlerbericht erhält. Der Agent durchsucht die Projektdateien, öffnet den relevanten Quellcode, führt Tests in einem Terminal aus und prüft die Ergebnisse, bevor er eine Lösung vorschlägt.

Für jeden dieser Schritte nutzt der Agent externe Tools und verlässt sich nicht allein auf das Sprachmodell.

Autonome Agenten

Autonome Agenten planen und erledigen mehrstufige Abläufe unter minimalem menschlichem Eingreifen. Die Fähigkeit, selbstständig Schlussfolgerungen zu ziehen, Entscheidungen zu treffen und Handlungen auszuführen, wird auch als agentische KI bezeichnet.

Wenn Sie einen Agenten bitten, Cloud-Hosting-Anbieter zu vergleichen, müssen Sie nicht nach jedem Schritt eine neue Eingabeaufforderung eingeben.

Der Agent sammelt Informationen aus mehreren Quellen, vergleicht Preise und Funktionen, erkennt widersprüchliche Angaben und fasst die Ergebnisse in einem strukturierten Bericht zusammen.

Jeder abgeschlossene Schritt bestimmt, was der Agent als Nächstes tut, bis die Aufgabe vollständig erledigt ist.

Multi-Agenten-Systeme

Multi-Agenten-Systeme verteilen die Arbeit auf mehrere spezialisierte Agenten.

Bei der Entwicklung einer Webanwendung könnte beispielsweise ein Agent die Umsetzung planen, ein weiterer den Code generieren, ein dritter die Anwendung testen und ein vierter die Änderungen vor der Bereitstellung überprüfen.

Da jeder Agent eine bestimmte Aufgabe übernimmt, können mehrere Phasen des Ablaufs gleichzeitig ausgeführt werden.

Durch die Aufteilung der Arbeit auf spezialisierte Agenten muss jeder einzelne Agent weniger Kontext verarbeiten. Gleichzeitig können mehrere Teile des Ablaufs parallel ausgeführt werden.

Anwendungsfälle für LLM-Agenten

LLM-Agenten eignen sich für zahlreiche geschäftliche und technische Abläufe und werden von Unternehmen zunehmend eingesetzt.

Prognosen zufolge werden bis Ende 2026 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten. 2025 waren es noch weniger als 5 %.

Die folgenden Beispiele zeigen, wie Unternehmen LLM-Agenten bereits einsetzen:

• Coding-Assistenten. Programmieragenten analysieren Codebasen, generieren neuen Code, beheben Fehler, führen Tests aus und erläutern Entscheidungen bei der Implementierung. Entwickler können einem Agenten beispielsweise einen fehlgeschlagenen Test zuweisen. Der Agent ermittelt die Ursache, aktualisiert die relevanten Dateien, führt die Test-Suite erneut aus und fasst die Änderungen zur Überprüfung zusammen.
• Automatisierung des Kundensupports. Support-Agenten beantworten Kundenfragen, rufen Informationen aus Wissensdatenbanken ab, beheben häufige Probleme, erstellen Support-Tickets und leiten komplexe Anfragen bei Bedarf an menschliche Supportmitarbeiter weiter. Hat ein Kunde beispielsweise sein Passwort vergessen, kann er den gesamten Wiederherstellungsprozess über den Agenten durchführen, ohne auf einen Supportmitarbeiter warten zu müssen.
• Forschungsassistenten. Forschungsagenten sammeln Informationen aus mehreren Quellen, vergleichen Ergebnisse, erkennen Muster und strukturieren die Resultate in Zusammenfassungen oder Berichten. Dadurch verringert sich der Zeitaufwand für manuelle Recherchen. Marktanalysten können damit beispielsweise Preise von Wettbewerbern, Produktneuheiten und Kundenbewertungen zusammentragen, bevor sie einen Bericht erstellen.
• Wissensmanagement in Unternehmen. Unternehmen nutzen LLM-Agenten, um interne Dokumentationen, Richtlinien, technische Handbücher und Besprechungsnotizen zu durchsuchen. Mitarbeiter können beispielsweise Fragen in natürlicher Sprache stellen und auf Grundlage der Unternehmensdokumentation Antworten erhalten, ohne mehrere Systeme manuell durchsuchen zu müssen.
• Automatisierung von Vertrieb und Marketing. Vertriebs- und Marketing-Agenten qualifizieren Leads, personalisieren die Kundenansprache, fassen Kundeninteraktionen zusammen, erstellen Kampagneninhalte und aktualisieren CRM-Systeme anhand aktueller Kundendaten. Nachdem ein Interessent ein Whitepaper heruntergeladen hat, kann der Agent beispielsweise den Lead bewerten, eine Nachverfolgungs-E-Mail entwerfen und jede Interaktion im CRM protokollieren.
• Datenanalyse und Berichterstellung. Datenanalyse-Agenten rufen Informationen aus Datenbanken und Business-Intelligence-Plattformen ab, erkennen Trends, erstellen Berichte und beantworten weiterführende Fragen zu den Ergebnissen. Der Agent könnte beispielsweise dem Finanzteam zunächst eine Warnmeldung über einen unerwarteten Rückgang des Quartalsumsatzes melden und anschließend eine Zusammenfassung der betroffenen Produkte und Regionen aufzeigen.
• Finanzdienstleistungen. Finanzinstitute nutzen LLM-Agenten, um Finanzdokumente zu analysieren, Transaktionen zu überwachen, Compliance-Abläufe zu unterstützen, ungewöhnliche Aktivitäten zu erkennen und Kunden bei kontobezogenen Anfragen zu helfen. Weicht eine Transaktion vom üblichen Ausgabeverhalten eines Kunden ab, kann der Agent sie zur Überprüfung kennzeichnen und die erforderlichen Informationen für einen Analysten zusammentragen.

Herausforderungen bei der Entwicklung von LLM-Agenten

Entwickler müssen dafür sorgen, dass der Agent zuverlässige Ergebnisse liefert, sicher mit externen Systemen interagiert, effizient skaliert und Sicherheitsanforderungen sowie regulatorische Vorgaben einhält.

Bei der Entwicklung produktionsreifer LLM-Agenten treten vor allem folgende Herausforderungen auf:

• Halluzinationen und Schlussfolgerungsfehler. Ein Agent kann eine Anfrage missverstehen, falsche Schlussfolgerungen ziehen oder unzutreffende Informationen generieren. Da Agenten anhand ihrer Schlussfolgerungen über den jeweils nächsten Schritt entscheiden, kann sich ein einzelner Fehler auf alle nachfolgenden Schritte des Ablaufs auswirken.
• Tool-Fehler und unzuverlässige API-Interaktionen. LLM-Agenten sind auf externe Tools angewiesen, um Informationen abzurufen und Aktionen auszuführen. API-Ausfälle, Netzwerkfehler, fehlende Berechtigungen oder unerwartete Antworten können den Ablauf unterbrechen oder dazu führen, dass der Agent Entscheidungen auf Grundlage unvollständiger Informationen trifft.
• Speicherverwaltung. Bei lang andauernden Aufgaben muss der Agent relevante Kontextinformationen beibehalten, ohne das Kontextfenster des Sprachmodells zu überschreiten. Speichert er zu wenige Informationen, muss er Arbeitsschritte wiederholen. Zu viele irrelevante Informationen können dagegen die Qualität der Antworten beeinträchtigen und die Schlussfolgerungskosten erhöhen.
• Sicherheits- und Datenschutzrisiken. Agenten greifen häufig auf sensible Informationen wie Kundendaten, interne Dokumente und Geschäftssysteme zu. Eine starke Authentifizierung, Zugriffskontrollen und Datenschutzmaßnahmen sind unerlässlich, um unbefugte Aktionen oder die Offenlegung von Daten zu verhindern.
• Observability und Fehlerbehebung. Fehler lassen sich schwerer diagnostizieren, wenn ein Agent Dutzende Schlussfolgerungsschritte und Tool-Aufrufe ausführt, bevor er ein Ergebnis liefert. Durch die Protokollierung von Entscheidungen, die Nachverfolgung von Tool-Interaktionen und die Überwachung von Ausführungspfaden können Entwickler feststellen, an welcher Stelle und aus welchem Grund ein Ablauf fehlgeschlagen ist.
• Governance und Compliance. Unternehmen benötigen Schutzmaßnahmen, damit Agenten interne Richtlinien und branchenspezifische Vorschriften einhalten. Menschliche Genehmigungen für risikoreiche Aktionen, Audit-Protokolle und Richtliniendurchsetzung tragen dazu bei, das erforderliche Maß an Verantwortung zu gewährleisten. Dies ist insbesondere in regulierten Branchen wie dem Gesundheits- und Finanzwesen relevant.

Best Practices für die Entwicklung von LLM-Agenten

Ein gut konzipierter Agent benötigt zum einen klare Entscheidungsgrenzen, zum anderen zuverlässigen Zugriff auf Tools und außerdem Schutzmechanismen, die verhindern, dass sich auch bereits kleine Fehler zu fehlgeschlagenen Abläufen entwickeln.

Begrenzen Sie den Aufgabenbereich des Agenten, bevor Sie seine Zuständigkeiten erweitern.

Entwickeln Sie den Agenten für einen klar definierten Ablauf – etwa zur Qualifizierung von Leads, Zusammenfassung von Dokumenten oder Überprüfung von Code.

Ein klar begrenzter Aufgabenbereich erleichtert es, den Agenten zu testen, Fehler zu beheben und ihn zu verbessern. Wenn neue Anforderungen hinzukommen, können Sie spezialisierte Agenten für separate Abläufe einführen.

Geben Sie dem Agenten nur Zugriff auf die Tools, die er benötigt.

Jede zusätzliche API, Datenbank oder jeder externe Dienst erhöht die Komplexität und schafft weitere potenzielle Fehlerquellen.

Wenn ein Agent lediglich Kundendaten abrufen und E-Mails versenden muss, sollte er weder Abrechnungsdaten ändern noch auf nicht benötigte Systeme zugreifen dürfen. Ein eingeschränkter Tool-Zugriff verringert zudem die Auswirkungen von Prompt Injection und versehentlich ausgeführten Aktionen.

Trennen Sie Schlussfolgerung und Informationsabruf.

Verbinden Sie den Agenten mithilfe von Retrieval-Augmented Generation (RAG) mit Dokumentationen, Datenbanken oder internen Wissensdatenbanken.

Vor der Antwort ruft der Agent relevante Informationen aus diesen Quellen ab. Das verbessert die sachliche Genauigkeit und reduziert Halluzinationen, insbesondere bei unternehmensspezifischen oder häufig aktualisierten Daten.

Validieren Sie jede Tool-Antwort, bevor der Agent die nächste Aktion ausführt.

Betrachten Sie jede Tool-Ausgabe als erneute Eingabe, die überprüft werden muss. Stellen Sie sicher, dass das Tool erfolgreich ausgeführt wurde, die erwarteten Informationen geliefert hat und die Ergebnisse für die aktuelle Aufgabe relevant sind.

Fehlen Daten, sind sie unvollständig oder widersprüchlich, dann wiederholen Sie die Anfrage oder verwenden Sie ein anderes Tool, bevor Sie fortfahren. Eine frühzeitige Validierung verhindert, dass sich eine fehlgeschlagene Aktion auf alle nachfolgenden Schritte auswirkt.

Verlangen Sie bei risikoreichen Aktionen eine menschliche Genehmigung.

Lassen Sie den Agenten E-Mails entwerfen, Entscheidungen empfehlen oder Transaktionen automatisch vorbereiten. Bevor Nachrichten versendet, Datensätze geändert, Zahlungen freigegeben oder Daten gelöscht werden, sollten Sie dies jedoch durch einen Menschen bestätigen lassen.

Menschliche Kontrolle reduziert das Risiko kostspieliger Fehler und spart dennoch Zeit bei wiederkehrenden Aufgaben.

Überwachen Sie die Ausführung.

Erfassen Sie jeden Schritt des Agenten, einschließlich der verwendeten Tools, abgerufenen Daten, fehlgeschlagenen Anfragen, Wiederholungsversuche und Freigabeentscheidungen.

Eine finale Antwort kann korrekt erscheinen, obwohl der Agent die falsche Quelle verwendet, einen erforderlichen Schritt übersprungen oder einen fehlgeschlagenen Tool-Aufruf ignoriert hat.

Ausführungsprotokolle helfen Ihnen, die Fehlerstelle im Ablauf zu identifizieren und die Zuverlässigkeit des Agenten langfristig zu verbessern.

So nutzen Sie LLM-Agenten in Ihrem Unternehmen

Sie können LLM-Agenten auf zwei Arten einsetzen. Wählen Sie einen vorgefertigten Agenten, wenn Sie gängige Geschäftsaufgaben mit minimalem Einrichtungsaufwand automatisieren möchten. Entwickeln Sie dagegen einen individuellen Agenten, wenn Ihr Ablauf auf proprietären Daten, spezialisierten Integrationen oder unternehmensspezifischer Logik basiert.

Wenn Sie eine sofort einsatzbereite Lösung suchen, unterstützt Sie Hostingers KI-Agent bei der Automatisierung von Aufgaben in Bereichen wie SEO, Content-Erstellung, Marketing, Vertrieb, Rechtsdokumente, Kundenkommunikation und Geschäftsstrategie.

Jeder KI-Experte ist für einen bestimmten Ablauf konzipiert und lässt sich mit Tools wie Gmail, Notion, Google Drive, GitHub und HubSpot verbinden. So können Sie direkt loslegen, ohne ein eigenes KI-System entwickeln zu müssen.

Benötigt Ihr Unternehmen einen individuellen Ablauf, können Sie einen LLM-Agenten entwickeln, der auf Ihre Anforderungen zugeschnitten ist.

Testen Sie Ihren Agenten vor der Bereitstellung anhand realistischer Szenarien und überwachen Sie seine Leistung auch danach kontinuierlich.

Wenn Sie Ihre Lösung selbst hosten möchten, bietet Ihnen Hostingers LLM VPS Hosting die erforderliche Infrastruktur für die Bereitstellung und Skalierung LLM-gestützter Anwendungen.

Alle Tutorial-Inhalte auf dieser Website unterliegen Hostingers strengen redaktionellen Standards und Normen.

Erstellt von

Eveline Boschmann

Add Hostinger as a preferred source on Google

Eveline ist Lokalisierungsexpertin mit langjähriger Erfahrung in der Transkreation von Inhalten für den deutschen Markt. Sie unterstützt Hostinger dabei, die Kernwerte und die Markenbotschaft des Unternehmens an ein internationales Publikum zu vermitteln und Hostingers hochwertige Tutorials für alle zugänglich zu machen.

Mehr von Eveline Boschmann