One-Shot Prompting: Sådan lærer du LLM'er at lave YouTube-embeds

Large Language Models (LLMs) er utroligt alsidige, men de har nogle gange brug for vejledning for at udføre specifikke opgaver korrekt. Hos FlowHunt har vi udforsket styrken ved one-shot prompting for at lære vores LLM at lave perfekte YouTube-embeds direkte i WordPress-indlæg via vores integration. Denne teknik har markant forbedret nøjagtigheden og effektiviteten af indholdsskabelse for vores brugere.

Hvad er One-Shot Prompting?

One-shot prompting er en teknik, hvor man giver en LLM et enkelt eksempel på det ønskede outputformat eller adfærd. I modsætning til zero-shot prompting (hvor ingen eksempler gives) eller few-shot prompting (som bruger flere eksempler), rammer one-shot balancen mellem effektivitet og virkning.

Skønheden ved one-shot prompting ligger i dens enkelhed: vis modellen det én gang, og den kan efterligne mønsteret.

Udfordringen med YouTube-Embeds

WordPress tilbyder forskellige måder at embedde YouTube-videoer på, men processen er ikke altid intuitiv – især ikke for brugere, der ikke kender WordPress’ blokeditor eller shortcodes. Vores mål var at gøre det muligt for brugere blot at indtaste et emne eller produkt, hvorefter vores LLM finder relevante YouTube-videoer og genererer den rette embed-kode via FlowHunt WordPress-integration.

I starten havde vores LLM problemer med ensartet formatering og lavede indimellem inkompatible embedding-metoder. Det var her, one-shot prompting kom til undsætning.

Vores One-Shot Prompting-løsning

Her er den præcise prompt, vi brugte til at løse YouTube-embed-problemet:

CopyVideos: Er der videotutorials eller produktegennemgange om inputtet? Opsummer deres indhold og find YouTube-videoer relateret til inputtet og præsenter dem i HTML-embed-format.

eksempel på embedding:
"<iframe width="560" height="315" src="https://www.youtube.com/embed/LSHlL0d1Odw?si=N1WpGJij-nv35gNh" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe>"

---START INPUT---
{input}```

Denne enkle, men effektive prompt gør flere vigtige ting:

- Angiver tydeligt opgaven: find videotutorials og produktegennemgange relateret til inputtet
- Beder om en opsummering af videoindholdet
- Giver et komplet eksempel på det nøjagtige iframe-embed-format, der kræves
- Bruger en klar inputstruktur med afgrænsere (`---START INPUT---` og `---`)

Eksemplet viser LLM’en:

- Den præcise iframe-struktur, der er nødvendig til YouTube-embeds
- Alle nødvendige attributter (width, height, allowfullscreen osv.)
- Det korrekte YouTube-embed-URL-format (med `/embed/` i stedet for `/watch?v=`)

## Resultater og Fordele

Efter implementeringen af denne one-shot prompting-tilgang observerede vi:

- **Næsten perfekt nøjagtighed** i korrekt formaterede YouTube-embeds
- **Ensartet responsivt videoformat** på tværs af forskellige enheder
- **Betydelig tidsbesparelse** for indholdsskabere, der tidligere manuelt skulle finde og embedde relevante videoer
- **Forbedret indholdskvalitet** med automatisk udvalgt relevant videoindhold

For vores FlowHunt-brugere betød det, at de kunne fokusere på at skabe skriftligt indhold, mens LLM’en tog sig af de tekniske aspekter med at finde og embedde relevante videoer.

## Hvorfor One-Shot virker bedre end alternativerne

Vi eksperimenterede med flere tilgange:

1. **Zero-shot prompting:** At bede LLM’en “finde og embedde YouTube-videoer” gav inkonsistente formater og til tider problematisk iframe-kode.
2. **Detaljerede instruktioner uden eksempler:** Selvom tekniske specifikationer forbedrede resultaterne, lavede LLM’en stadig formateringsfejl uden at have set et konkret eksempel.
3. **Few-shot prompting:** At bruge flere eksempler fungerede, men var overdrevet til denne opgave og øgede token-forbruget unødvendigt.

One-shot prompting viste sig at være det perfekte kompromis – det giver tilstrækkelig vejledning uden at spilde ressourcer.

## Udover YouTube: Udvidelse af mønsteret

Vi har siden brugt samme one-shot prompting-teknik til andre embedding-scenarier:

- Twitter/X-opslag
- Instagram-opslag
- Forskellige formateringer

Alle følger et lignende mønster: vis ét perfekt eksempel, og lad derefter LLM’en gentage det.

> Afhængigt af LLM’ens størrelse og kompleksitet kan det være nødvendigt virkelig at understrege, at eksemplet kun er et eksempel og ikke præcis det output, vi ønsker fra LLM’en. I mindre modeller kan vi se, at eksemplet i one-shot prompting kan sive ind i outputtet og ødelægge svaret.

## Sådan implementerer du One-Shot Prompting i dine FlowHunt-workflows

Hvis du bruger FlowHunt til indholdsskabelse, kan du let implementere one-shot prompting i dine egne workflows:

1. Opret en skabelon med dit one-shot-eksempel
2. Opret en variabel til at indfange brugerens input
3. Konfigurer LLM’en til at behandle inputtet ved hjælp af mønsteret fra dit eksempel
4. Send outputtet direkte til WordPress via vores integration

Denne tilgang kan tilpasses til stort set enhver struktureret output, du har brug for, at din LLM skal generere ensartet.