{"id":487,"date":"2026-10-06T19:00:44","date_gmt":"2026-10-06T19:00:44","guid":{"rendered":"https:\/\/blog.forfis.com\/blog\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/"},"modified":"2026-10-06T19:00:44","modified_gmt":"2026-10-06T19:00:44","slug":"rag-pilot-interne-knowledge-search-b2b-saas-14-tage","status":"publish","type":"post","link":"https:\/\/blog.forfis.com\/blog\/de\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/","title":{"rendered":"RAG-Pilot f\u00fcr interne Knowledge Search in B2B-SaaS: 14-Tage-Plan"},"content":{"rendered":"<h2>Warum ein 14-Tage-Pilot f\u00fcr interne Knowledge Search in B2B-SaaS<\/h2>\n<p>Ihr Support-Team in einem B2B-SaaS-Unternehmen mit 800 Mitarbeitern beantwortet t\u00e4glich 40 bis 60 Fragen zu internen Prozessen, Produkt-Features und Compliance-Vorgaben. Die Antworten liegen verstreut in Confluence, SharePoint und E-Mail-Archiven. Neue Mitarbeiter brauchen 3 bis 4 Wochen, um sich zurechtzufinden. Die Compliance-Abteilung fordert nachvollziehbare Antworten, weil einige Fragen betreffen, wie Kundendaten verarbeitet werden. Ein RAG-System \u00fcber die interne Dokumentation reduziert die Antwortzeit von 4 Stunden auf 15 Minuten und liefert zitierte Quellen. Der Pilot muss in 14 Tagen laufen, weil das Q3-Budget Ende des Monats freigegeben wird. Die technische Herausforderung: LangGraph muss mit den bestehenden APIs von Confluence und SharePoint sprechen, ohne dass die IT-Abteilung neue Infrastruktur aufbaut. Die Compliance-Herausforderung: Keine Kundendaten d\u00fcrfen in den Vektorindex wandern, und jede Antwort muss auditierbar sein.<\/p>\n<h2>Voraussetzungen vor dem ersten Tag<\/h2>\n<ul>\n<li><strong>Datenzugang<\/strong>: API-Keys f\u00fcr Confluence und SharePoint mit Lesezugriff auf die relevanten Spaces. Die IT-Abteilung muss diese vor Tag 1 freigeben.<\/li>\n<li><strong>Datenklassifizierung<\/strong>: Eine Liste der Dokumenttypen, die indiziert werden d\u00fcrfen (z. B. \u201eProzessdokumente\u201c, \u201eProdukt-Handb\u00fccher\u201c) und die, die ausgeschlossen sind (z. B. \u201eKundenvertr\u00e4ge\u201c, \u201eHR-Daten\u201c). Die Compliance-Abteilung muss diese Liste signieren.<\/li>\n<li><strong>Infrastruktur<\/strong>: Ein AWS- oder Azure-Account mit Zugriff auf S3\/Blob-Storage f\u00fcr den Vektorindex und eine PostgreSQL-Instanz f\u00fcr die LangGraph-State-Logs. Alternativ: On-Premise-Server, wenn die IT-Abteilung Cloud-Nutzung verbietet.<\/li>\n<li><strong>Slack-Integration<\/strong>: Ein Slack-Workspace mit Admin-Rechten, um einen Bot zu erstellen und die API-Keys f\u00fcr die Webhooks zu generieren.<\/li>\n<li><strong>Team<\/strong>: 2 Entwickler (Backend\/ML), 1 Product Owner aus dem Fachbereich, 1 Compliance-Beauftragter f\u00fcr Freigaben, 5 bis 10 Power-User aus dem Support f\u00fcr die Testphase.<\/li>\n<li><strong>Modell-APIs<\/strong>: Zug\u00e4nge zu OpenAI (gpt-4o, text-embedding-3-large) oder Anthropic (claude-3-5-sonnet, embedding-v3). F\u00fcr EU-Compliance: Verifizieren, dass die Daten in Frankfurt oder Dublin verarbeitet werden.<\/li>\n<\/ul>\n<h2>Schritt 1 bis 5: Von der Datenanbindung zum Slack-Bot<\/h2>\n<ol>\n<li>\n<p><strong>Datenquellen anbinden<\/strong>: Schreiben Sie einen Python-Skript, das \u00fcber die Confluence-API (REST, Endpoint <code>\/api\/v2\/spaces\/{spaceKey}\/pages<\/code>) und die SharePoint-Graph-API (<code>\/sites\/{siteId}\/drive\/root\/children<\/code>) die relevanten Dokumente l\u00e4dt. Speichern Sie die Rohdaten in einer lokalen JSON-Datei. Konfiguration: <code>CHUNK_SIZE = 512<\/code>, <code>CHUNK_OVERLAP = 64<\/code>. Filtern Sie Dokumente anhand der Compliance-Liste: Wenn das Metadatum <code>classification<\/code> auf \u201econfidential\u201c steht, \u00fcberspringen Sie das Dokument.<\/p>\n<\/li>\n<li>\n<p><strong>Embeddings generieren und Vektorindex aufbauen<\/strong>: Nutzen Sie <code>text-embedding-3-large<\/code> von OpenAI (1536 Dimensionen). Laden Sie die JSON-Datei, generieren Sie Embeddings f\u00fcr jedes Chunk und speichern Sie sie in Qdrant (lokal, Port 6333). Code-Snippet: <code>client.upsert(collection_name=\"knowledge\", points=[PointStruct(id=i, vector=embedding, payload={\"text\": chunk, \"source\": url, \"classification\": \"internal\"})])<\/code>. Verifizieren: <code>client.count(collection_name=\"knowledge\")<\/code> muss die Anzahl der Chunks liefern.<\/p>\n<\/li>\n<li>\n<p><strong>LangGraph-Agent konfigurieren<\/strong>: Definieren Sie den State in <code>langgraph.graph.StateGraph<\/code>. Nodes: <code>retrieve<\/code> (RAG-Suche), <code>generate<\/code> (LLM-Antwort), <code>validate<\/code> (Compliance-Check). Kanten: <code>retrieve<\/code> \u2192 <code>generate<\/code> \u2192 <code>validate<\/code> \u2192 <code>END<\/code>. In <code>validate<\/code>: Wenn die Konfidenz-Score unter 0.7 liegt, leiten Sie die Anfrage an einen menschlichen Agenten weiter. Speichern Sie den State in PostgreSQL: <code>checkpointer = PostgresSaver(conn_string)<\/code>. Code: <code>graph = builder.compile(checkpointer=checkpointer)<\/code>.<\/p>\n<\/li>\n<li>\n<p><strong>Slack-Bot integrieren<\/strong>: Erstellen Sie einen Slack-App mit den Scopes <code>chat:write<\/code>, <code>channels:join<\/code>, <code>reactions:write<\/code>. Implementieren Sie einen Webhook-Handler, der Slack-Nachrichten empf\u00e4ngt, den Text an den LangGraph-Agenten \u00fcbergibt und die Antwort in den Channel postet. Konfiguration: <code>SLACK_BOT_TOKEN<\/code>, <code>SLACK_SIGNING_SECRET<\/code>. Test: Senden Sie eine Nachricht in den Test-Channel, der Bot muss innerhalb von 5 Sekunden antworten.<\/p>\n<\/li>\n<li>\n<p><strong>Compliance-Filter und Audit-Logs aktivieren<\/strong>: In jedem Node des LangGraph-Graphen: Loggen Sie die Eingabe, die abgerufenen Chunk-IDs und die Konfidenz-Score in eine Tabelle <code>audit_logs<\/code> (Spalten: <code>timestamp<\/code>, <code>user_id<\/code>, <code>query<\/code>, <code>chunk_ids<\/code>, <code>confidence<\/code>, <code>action<\/code>). Implementieren Sie einen Filter in <code>retrieve<\/code>: Wenn ein Chunk die Metadaten <code>classification: \"confidential\"<\/code> hat, wird es nicht abgerufen. Test: Stellen Sie eine Frage, die auf ein \u201econfidential\u201c-Dokument verweist. Der Bot muss antworten: \u201eKeine autorisierte Information gefunden.\u201c<\/p>\n<\/li>\n<\/ol>\n<h2>Schritt 6 und 7: Pilotbetrieb und Go\/No-Go<\/h2>\n<ol>\n<li>\n<p><strong>Pilot mit Power-Usern starten<\/strong>: Aktivieren Sie den Bot in einem dedizierten Slack-Channel mit 5 bis 10 Support-Mitarbeitern. Sie stellen t\u00e4glich 5 bis 10 reale Fragen. Sie bewerten jede Antwort: \u201eKorrekt\u201c, \u201eTeilweise korrekt\u201c, \u201eFalsch\u201c, \u201eKeine Antwort\u201c. Die Bewertungen flie\u00dfen in ein Google-Sheet, das der Product Owner t\u00e4glich pr\u00fcft.<\/p>\n<\/li>\n<li>\n<p><strong>Metriken messen und iterieren<\/strong>: Nach 5 Tagen: Analysieren Sie die Audit-Logs. Welche Fragen wurden nicht beantwortet? Welche Chunk-IDs wurden h\u00e4ufig abgerufen, aber die Antwort war falsch? Passen Sie die <code>CHUNK_SIZE<\/code> an (z. B. von 512 auf 256, wenn die Antworten zu generisch sind). Aktualisieren Sie den Vektorindex, wenn neue Dokumente in Confluence ver\u00f6ffentlicht wurden. Code: <code>client.delete(collection_name=\"knowledge\", filter=Filter.must([FieldCondition(key=\"source\", match=MatchAny(any=[old_url]))]))<\/code>.<\/p>\n<\/li>\n<li>\n<p><strong>Compliance-Review durchf\u00fchren<\/strong>: Die Compliance-Abteilung pr\u00fcft die Audit-Logs: Wurden keine \u201econfidential\u201c-Dokumente abgerufen? Sind die Logs vollst\u00e4ndig? Sie signiert den Pilot-Report. Wenn es Abweichungen gibt: Passen Sie die Filter an und wiederholen Sie den Test.<\/p>\n<\/li>\n<li>\n<p><strong>Go\/No-Go-Entscheidung<\/strong>: Am Tag 14: Pr\u00e4sentieren Sie die Metriken an die Gesch\u00e4ftsf\u00fchrung: Antwortzeit (Ziel: &lt; 20 Sekunden), Genauigkeit (Ziel: &gt; 85 % \u201eKorrekt\u201c), Compliance-Verst\u00f6\u00dfe (Ziel: 0). Wenn die Ziele erreicht sind: Freigabe f\u00fcr die Produktivphase. Wenn nicht: Identifizieren Sie die Ursachen (z. B. schlechte Chunking-Strategie, unvollst\u00e4ndige Daten) und planen Sie einen zweiten Pilot mit erweitertem Scope.<\/p>\n<\/li>\n<\/ol>\n<h2>H\u00e4ufige Stolperfallen und wie Sie sie erkennen<\/h2>\n<ul>\n<li><strong>Chunking-Strategie zu grob<\/strong>: Wenn <code>CHUNK_SIZE = 1024<\/code> ist, enth\u00e4lt ein Chunk oft mehrere Themen. Die RAG-Suche findet das relevante Chunk, aber das LLM generiert eine Antwort, die auch irrelevante Informationen enth\u00e4lt. Erkennen: Die Power-User bewerten die Antwort als \u201eTeilweise korrekt\u201c. L\u00f6sung: Reduzieren Sie <code>CHUNK_SIZE<\/code> auf 256 und testen Sie erneut.<\/li>\n<li><strong>Compliance-Filter nicht aktiv<\/strong>: Wenn die Metadaten <code>classification<\/code> in den Dokumenten fehlen oder falsch gesetzt sind, werden \u201econfidential\u201c-Dokumente indiziert. Erkennen: Die Compliance-Abteilung findet in den Audit-Logs Chunk-IDs, die auf \u201econfidential\u201c-Dokumente verweisen. L\u00f6sung: Validieren Sie die Metadaten vor dem Indexing. Wenn <code>classification<\/code> fehlt, setzen Sie den Default auf \u201econfidential\u201c.<\/li>\n<li><strong>Slack-Latenz zu hoch<\/strong>: Wenn die Antwortzeit &gt; 30 Sekunden betr\u00e4gt, sind die Power-User frustriert. Ursache: Die Embedding-Generierung dauert zu lange oder die Qdrant-Suche ist langsam. Erkennen: Messen Sie die Latenz pro Node in den Audit-Logs. L\u00f6sung: Cachen Sie die Embeddings in Redis, wenn sich die Dokumente nicht \u00e4ndern. Optimieren Sie die Qdrant-Indizes (HNSW-Parameter).<\/li>\n<li><strong>Daten nicht aktuell<\/strong>: Wenn neue Dokumente in Confluence ver\u00f6ffentlicht werden, sind sie nicht im Vektorindex. Erkennen: Die Power-User stellen Fragen zu neuen Features, die der Bot nicht kennt. L\u00f6sung: Implementieren Sie einen Cron-Job, der t\u00e4glich die Confluence-API abfragt und neue\/aktualisierte Dokumente in den Index aufnimmt.<\/li>\n<\/ul>\n<h2>N\u00e4chster Schritt nach dem Piloten<\/h2>\n<p>Der 14-Tage-Pilot liefert die Metriken, die Sie f\u00fcr die Go\/No-Go-Entscheidung ben\u00f6tigen. Wenn die Ziele erreicht sind, ist der n\u00e4chste Schritt die Produktivphase: Erweitern Sie den Bot auf alle Support-Teams, integrieren Sie weitere Datenquellen (z. B. Jira, Salesforce) und automatisieren Sie die Dokument-Aktualisierung. Wenn die Ziele nicht erreicht sind, identifizieren Sie die Ursachen und planen Sie einen zweiten Pilot mit erweitertem Scope. Die technische Architektur (LangGraph, Qdrant, Slack-Integration) bleibt gleich; nur der Datenbestand und die Filter werden angepasst. Die Compliance-Abteilung muss die Produktivphase separat freigeben, weil die Datenmenge und die Nutzerzahl steigen. Planen Sie f\u00fcr die Produktivphase 4 bis 6 Wochen ein, inklusive Schulung und Prozessanpassung.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>So bauen Sie in 14 Tagen einen RAG-Piloten f\u00fcr interne Knowledge Search in einem B2B-SaaS-Unternehmen. Mit LangGraph, Slack-Integration und Compliance-Freigabe.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"RAG-Pilot f\u00fcr interne Knowledge Search in B2B-SaaS: 14-Tage-Plan","rank_math_description":"So bauen Sie in 14 Tagen einen RAG-Piloten f\u00fcr interne Knowledge Search in einem B2B-SaaS-Unternehmen. Mit LangGraph, Slack-Integration und Compliance-Freigabe.","rank_math_focus_keyword":"multilingual support coverage internal knowledge search","_yoast_wpseo_title":"","_yoast_wpseo_metadesc":"","_yoast_wpseo_focuskw":"","pll_lang":"de","geo_jsonld":"{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-06T00:01:38.208428547+00:00\",\"datePublished\":\"2026-10-06T00:01:38.208428547+00:00\",\"description\":\"So bauen Sie in 14 Tagen einen RAG-Piloten f\u00fcr interne Knowledge Search in einem B2B-SaaS-Unternehmen. Mit LangGraph, Slack-Integration und Compliance-Freigabe.\",\"headline\":\"RAG-Pilot f\u00fcr interne Knowledge Search in B2B-SaaS: 14-Tage-Plan\",\"inLanguage\":\"en\",\"keywords\":[\"Running Isolated Pilots\",\"LangChain and LangGraph\",\"Document Extraction\",\"Legal and Compliance\",\"501-2000\",\"None\",\"Fixed-Scope Pilot\",\"B2B SaaS\",\"Slack or Microsoft Teams\",\"German\",\"Multilingual Support Coverage\",\"Germany\",\"2 weeks\",\"Internal Knowledge Search\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein 14-Tage-Pilot deckt die technische Validierung ab: Datenanbindung, Modellkonfiguration, RAG-Pipeline und Integration in das Ticketing-System. Er deckt keine organisatorische Change-Management-Phase ab. F\u00fcr eine produktive Einf\u00fchrung mit Schulung und Prozessanpassung planen Sie zus\u00e4tzlich 4 bis 6 Wochen ein. Der Pilot liefert die Metriken, die Sie f\u00fcr die Go\/No-Go-Entscheidung der Gesch\u00e4ftsf\u00fchrung ben\u00f6tigen.\"},\"name\":\"Reicht ein 14-Tage-Pilot f\u00fcr eine produktive Einf\u00fchrung aus?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, aber nur f\u00fcr die technische Umsetzung. Die Compliance-Abteilung muss die Datenklassifizierung freigeben und die Audit-Logs pr\u00fcfen. In der Praxis: Compliance definiert die Regeln (welche Daten d\u00fcrfen in den Vektorindex?), das Tech-Team implementiert die Filter, Compliance validiert das Ergebnis. Ohne diese Freigabe vor Tag 1 verz\u00f6gert sich der Pilot um 2 bis 3 Wochen.\"},\"name\":\"Kann das Tech-Team den Piloten ohne Compliance-Freigabe starten?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"F\u00fcr die technische Umsetzung: 2 Entwickler (Backend\/ML), 1 Product Owner aus dem Fachbereich, 1 Compliance-Beauftragter f\u00fcr Freigaben, 1 IT-Admin f\u00fcr API-Zug\u00e4nge. F\u00fcr die Pilotphase: 5 bis 10 Power-User aus dem Support, die t\u00e4glich mit dem System arbeiten und Feedback geben. Gesamtaufwand intern: ca. 15 bis 20 Stunden pro Woche \u00fcber 14 Tage.\"},\"name\":\"Welche internen Rollen m\u00fcssen f\u00fcr den Piloten verf\u00fcgbar sein?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Nein. Der Pilot ist ein Proof of Concept mit festem Scope. Die Kosten f\u00fcr die Pilotphase sind fix (typischerweise 15.000 bis 30.000 EUR je nach Komplexit\u00e4t). Die Produktivphase wird separat kalkuliert und h\u00e4ngt von der Anzahl der Nutzer, der Datenmenge und den gew\u00fcnschten Integrationspunkten ab. Der Pilot liefert die Metriken, die die Wirtschaftlichkeit der Produktivphase belegen.\"},\"name\":\"Ist der 14-Tage-Pilot kostenlos oder eine Vorab-Investition?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, wenn die Daten in der EU bleiben. OpenAI und Anthropic bieten EU-Regionen an, bei denen Daten in Frankfurt oder Dublin verarbeitet werden. Alternativ: Open-Weight-Modelle (Llama 3, Mistral) auf eigener Hardware. F\u00fcr interne Knowledge Search ohne sensible Kundendaten ist die Cloud-L\u00f6sung mit EU-Region in der Regel ausreichend und kosteng\u00fcnstiger.\"},\"name\":\"K\u00f6nnen wir OpenAI oder Anthropic APIs f\u00fcr den Piloten nutzen, wenn wir in Deutschland sitzen?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein RAG-System beantwortet nur Fragen, die in den indizierten Dokumenten beantwortet werden. Es erfindet keine Fakten. Wenn ein Dokument fehlt oder veraltet ist, sagt das System \u201ekeine Information gefunden\u201c oder liefert eine Antwort mit niedriger Konfidenz. Es kann aber bestehende Dokumente falsch interpretieren, wenn die Chunking-Strategie schlecht ist. Deshalb: Human-in-the-Loop f\u00fcr kritische Antworten und regelm\u00e4\u00dfige Aktualisierung des Index.\"},\"name\":\"Kann das RAG-System falsche Informationen liefern, wenn die Dokumente veraltet sind?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, aber mit Einschr\u00e4nkungen. Die Embedding-Modelle von OpenAI und Anthropic sind mehrsprachig. F\u00fcr Deutsch, Englisch und Franz\u00f6sisch funktioniert die Suche gut. F\u00fcr seltene Sprachen (z. B. T\u00fcrkisch, Polnisch) ist die Qualit\u00e4t geringer. Empfehlung: F\u00fcr die Pilotphase auf Deutsch und Englisch beschr\u00e4nken. Weitere Sprachen in der Produktivphase erg\u00e4nzen, wenn die Metriken es rechtfertigen.\"},\"name\":\"Unterst\u00fctzt das System mehrere Sprachen gleichzeitig?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja. LangGraph speichert den Zustand jedes Suchvorgangs: welche Dokumente abgerufen wurden, welche Chunk-IDs, welche Konfidenz-Scores. Diese Logs sind in einer Datenbank (PostgreSQL, Redis) persistiert und k\u00f6nnen f\u00fcr Audits abgerufen werden. F\u00fcr Compliance: Die Logs m\u00fcssen mindestens 6 Monate aufbewahrt werden (DSGVO Art. 5 Abs. 1 e).\"},\"name\":\"Wie wird sichergestellt, dass die AI-Antworten nachvollziehbar sind?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/#breadcrumbs\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\",\"name\":\"Home\",\"position\":1},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/\",\"name\":\"Blog\",\"position\":2},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/rag-pilot-interne-knowledge-search-b2b-saas-14-tage\/\",\"name\":\"RAG-Pilot f\u00fcr interne Knowledge Search in B2B-SaaS: 14-Tage-Plan\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"09fc02b069a7a7ffe131b635adab9681e52083934d62fc6c45eb546333e1872a","footnotes":""},"categories":[63],"tags":[27,47,33],"class_list":["post-487","post","type-post","status-publish","format-standard","hentry","category-b2b-saas","tag-germany","tag-internal-knowledge-search","tag-multilingual-support-coverage"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/487","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/comments?post=487"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/487\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=487"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=487"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=487"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}