One-Shot Prompting: LLMs beibringen, YouTube-Einbettungen zu erstellen

Large Language Models (LLMs) sind unglaublich vielseitig, benötigen aber manchmal gezielte Anweisungen, um bestimmte Aufgaben korrekt auszuführen. Bei FlowHunt erforschen wir die Möglichkeiten des One-Shot Prompting, um unserem LLM beizubringen, perfekte YouTube-Einbettungen direkt in WordPress-Beiträgen über unsere Integration zu erstellen. Diese Technik hat die Genauigkeit und Effizienz der Inhaltserstellung für unsere Nutzer deutlich verbessert.

Was ist One-Shot Prompting?

One-Shot Prompting ist eine Technik, bei der man einem LLM ein einzelnes Beispiel für das gewünschte Ausgabeformat oder Verhalten gibt. Im Gegensatz zu Zero-Shot Prompting (ohne Beispiele) oder Few-Shot Prompting (mit mehreren Beispielen) bietet One-Shot ein ausgewogenes Verhältnis zwischen Effizienz und Effektivität.

Die Schönheit des One-Shot Promptings liegt in seiner Einfachheit: Zeigen Sie dem Modell das Muster einmal und es kann es replizieren.

Die YouTube-Einbettungs-Herausforderung

WordPress bietet verschiedene Möglichkeiten, YouTube-Videos einzubetten, aber der Prozess ist nicht immer intuitiv – besonders für Nutzer, die mit dem Block-Editor oder Shortcodes von WordPress nicht vertraut sind. Unser Ziel war es, Nutzern zu ermöglichen, einfach ein Thema oder Produkt einzugeben, damit unser LLM relevante YouTube-Videos findet und den passenden Einbettungscode über die FlowHunt-WordPress-Integration generiert.

Anfangs hatte unser LLM Probleme mit der konsistenten Formatierung und erzeugte manchmal inkompatible Einbettungsmethoden. Genau hier kam das One-Shot Prompting zum Einsatz.

Unsere One-Shot Prompting-Lösung

Hier ist der genaue Prompt, den wir zur Lösung des YouTube-Einbettungsproblems eingesetzt haben:

CopyVideos: Gibt es Video-Tutorials oder Produktübersichten zum Input? Fassen Sie deren Inhalte zusammen und finden Sie YouTube-Videos zum Input. Präsentieren Sie diese im HTML-Einbettungsformat.

Beispiel für eine Einbettung:
"<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}```

Dieser einfache, aber effektive Prompt bewirkt mehrere wichtige Dinge:

- Die Aufgabe wird klar definiert: Finde Video-Tutorials und Produktübersichten zum Input
- Es wird eine Zusammenfassung der Video-Inhalte verlangt
- Es wird ein vollständiges Beispiel des geforderten iframe-Einbettungsformats geliefert
- Die Struktur des Inputs ist eindeutig und durch Trennzeichen (`---START INPUT---` und `---`) abgegrenzt

Das Beispiel zeigt dem LLM:

- Den exakten iframe-Aufbau für YouTube-Einbettungen
- Alle notwendigen Attribute (width, height, allowfullscreen usw.)
- Das richtige YouTube-Einbettungs-URL-Format (mit `/embed/` statt `/watch?v=`)

## Ergebnisse und Vorteile

Nach der Implementierung dieses One-Shot-Prompting-Ansatzes konnten wir feststellen:

- **Nahezu perfekte Genauigkeit** bei korrekt formatierten YouTube-Einbettungen
- **Konsistente, responsive Video-Formatierung** auf verschiedenen Geräten
- **Deutliche Zeitersparnis** für Content-Ersteller, die zuvor manuell suchen und einbetten mussten
- **Verbesserte Inhaltsqualität** durch automatisch kuratierte, relevante Videoinhalte

Für unsere FlowHunt-Nutzer bedeutet das: Sie können sich auf die Texterstellung konzentrieren, während das LLM die technischen Aspekte des Video-Findens und -Einbettens übernimmt.

## Warum One-Shot besser funktioniert als Alternativen

Wir haben verschiedene Ansätze getestet:

1. **Zero-Shot Prompting:** Die bloße Aufforderung an das LLM, „YouTube-Videos zu finden und einzubetten“, führte zu inkonsistenten Formaten und gelegentlich problematischem iframe-Code.
2. **Detaillierte Anweisungen ohne Beispiele:** Technische Spezifikationen verbesserten zwar die Ergebnisse, aber ohne ein konkretes Beispiel machte das LLM weiterhin Formatierungsfehler.
3. **Few-Shot Prompting:** Mehrere Beispiele funktionierten gut, waren aber für diese Aufgabe übertrieben und erhöhten den Tokenverbrauch unnötig.

One-Shot Prompting erwies sich als goldene Mitte – ausreichend Führung, ohne Ressourcen zu verschwenden.

## Über YouTube hinaus – das Muster erweitern

Wir haben die gleiche One-Shot Prompting-Technik erfolgreich auf weitere Einbettungsszenarien angewendet:

- Twitter/X-Posts
- Instagram-Posts
- Verschiedene Formatierungen

Das Muster bleibt gleich: Ein perfektes Beispiel zeigen, dann das LLM das Muster replizieren lassen.

> Je nach Größe und Komplexität des LLM kann es nötig sein, wirklich zu betonen, dass das Beispiel nur ein Beispiel und nicht exakt die gewünschte Ausgabe ist. Bei kleineren Modellen kann es vorkommen, dass das Beispiel ins Ergebnis „durchblutet“ und die Antwort verfälscht.

## One-Shot Prompting in Ihren FlowHunt-Workflows einsetzen

Wenn Sie FlowHunt zur Inhaltserstellung nutzen, können Sie One-Shot Prompting ganz einfach in Ihren eigenen Workflows umsetzen:

1. Erstellen Sie eine Vorlage mit Ihrem One-Shot-Beispiel
2. Richten Sie eine Variable für den Nutzereingabe ein
3. Konfigurieren Sie das LLM so, dass es den Input nach dem Muster Ihres Beispiels verarbeitet
4. Senden Sie die Ausgabe direkt über unsere Integration an WordPress

Dieser Ansatz lässt sich für nahezu jede strukturierte Ausgabe anpassen, die Ihr LLM konsistent erzeugen soll.