Wir stellen ein neues end-to-end-Modell vor, das die AMR-Parsing-Aufgabe als Folge von dualen Entscheidungen über die Eingabefolge und den schrittweise aufgebauten Graphen behandelt. Zu jedem Zeitpunkt führt unser Modell mehrere Runden Aufmerksamkeit, Schlussfolgerung und Komposition durch, die darauf abzielen, zwei zentrale Fragen zu beantworten: (1) Welcher Teil der Eingabefolge abstrahiert werden soll; und (2) an welcher Stelle im Ausgabegraphen ein neuer Konzeptknoten konstruiert werden soll. Wir zeigen, dass die Antworten auf diese beiden Fragen wechselseitig kausal verknüpft sind. Wir entwerfen ein Modell auf Basis iterativer Inferenz, das dazu beiträgt, in beiden Perspektiven bessere Entscheidungen zu treffen, was zu einer erheblichen Verbesserung der Parsing-Accuracy führt. Unsere experimentellen Ergebnisse übersteigen alle bisher berichteten \textsc{Smatch}-Werte deutlich. Erstaunlicherweise erreicht unser Modell bereits ohne die Verwendung eines großen vortrainierten Sprachmodells (z. B. BERT) die bisher beste Leistung, die mit BERT erzielt wurde. Mit Unterstützung von BERT erreichen wir eine Spitzenleistung von 80,2 % auf LDC2017T10 (AMR 2.0) und 75,4 % auf LDC2014T12 (AMR 1.0).