One-Shot Prompting: Enseñando a los LLMs a Crear Embeds de YouTube

Los Modelos de Lenguaje de Gran Escala (LLMs) son increíblemente versátiles, pero a veces necesitan orientación para realizar tareas específicas correctamente. En FlowHunt, hemos estado explorando el poder del one-shot prompting para enseñar a nuestro LLM a crear embeds perfectos de YouTube directamente en publicaciones de WordPress a través de nuestra integración. Esta técnica ha mejorado drásticamente la precisión y eficiencia en la creación de contenido para nuestros usuarios.

¿Qué es el One-Shot Prompting?

El one-shot prompting es una técnica donde proporcionas a un LLM un solo ejemplo del formato de salida o comportamiento deseado. A diferencia del zero-shot prompting (donde no se dan ejemplos) o el few-shot prompting (que utiliza múltiples ejemplos), el one-shot logra un equilibrio entre eficiencia y efectividad.

La belleza del one-shot prompting reside en su simplicidad: muestra al modelo una vez y puede replicar el patrón.

El Desafío del Embed de YouTube

WordPress ofrece varias formas de incrustar videos de YouTube, pero el proceso no siempre es intuitivo, especialmente para los usuarios que no están familiarizados con el editor de bloques de WordPress o los shortcodes. Nuestro objetivo era permitir que los usuarios simplemente ingresaran un tema o producto, y que nuestro LLM encontrara videos relevantes de YouTube y generara el código de incrustación adecuado mediante la integración de FlowHunt con WordPress.

Inicialmente, nuestro LLM tenía dificultades con el formato consistente y a veces producía métodos de incrustación incompatibles. Aquí es donde el one-shot prompting vino al rescate.

Nuestra Solución de One-Shot Prompting

Este es el prompt exacto que implementamos para resolver el problema de embeds de YouTube:

CopyVideos: ¿Existen tutoriales en video o reseñas de productos sobre el input? Resume su contenido y encuentra videos de YouTube relacionados con el input y preséntalos en formato de incrustación HTML.

ejemplo de incrustación:
"<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}```

Este prompt simple pero efectivo logra varias cosas clave:

- Indica claramente la tarea: encontrar tutoriales en video y reseñas de productos relacionadas con el input
- Solicita un resumen del contenido de los videos
- Proporciona un ejemplo completo del formato exacto de iframe requerido para el embed
- Usa una estructura de entrada clara con delimitadores (`---START INPUT---` y `---`)

El ejemplo muestra al LLM:

- La estructura exacta de iframe necesaria para los embeds de YouTube
- Todos los atributos necesarios (width, height, allowfullscreen, etc.)
- El formato correcto de la URL de embed de YouTube (usando `/embed/` en lugar de `/watch?v=`)

## Resultados y Beneficios

Después de implementar este enfoque de one-shot prompting, observamos:

- **Precisión casi perfecta** en los embeds de YouTube correctamente formateados
- **Formato de video responsivo y consistente** en diferentes dispositivos
- **Ahorro de tiempo significativo** para los creadores de contenido que antes tenían que buscar y incrustar manualmente los videos relevantes
- **Mejora en la calidad del contenido** con videos relevantes seleccionados automáticamente

Para nuestros usuarios de FlowHunt, esto significó que podían centrarse en crear contenido escrito mientras el LLM gestionaba los aspectos técnicos de encontrar e incrustar los videos relevantes.

## Por Qué el One-Shot Funciona Mejor que las Alternativas

Experimentamos con varios enfoques:

1. **Zero-shot prompting:** Simplemente pedirle al LLM que "encuentre e incruste videos de YouTube" resultó en formatos inconsistentes y, ocasionalmente, en código iframe problemático.
2. **Instrucciones detalladas sin ejemplos:** Si bien brindar especificaciones técnicas mejoró los resultados, el LLM aún cometía errores de formato sin ver un ejemplo concreto.
3. **Few-shot prompting:** Usar múltiples ejemplos funcionó bien, pero era excesivo para esta tarea y aumentaba el uso de tokens innecesariamente.

El one-shot prompting resultó ser el punto ideal: proporcionó la guía justa sin desperdiciar recursos.

## Más Allá de YouTube: Extendiendo el Patrón

Desde entonces, hemos aplicado la misma técnica de one-shot prompting a otros escenarios de incrustación:

- Publicaciones de Twitter/X
- Publicaciones de Instagram
- Diversos formatos

Cada uno sigue un patrón similar: mostrar un ejemplo perfecto y luego dejar que el LLM lo replique.

> Dependiendo del tamaño y complejidad del LLM, puede ser necesario enfatizar realmente que el ejemplo es solo eso, un ejemplo, y no exactamente lo que queremos que genere el LLM. En modelos más pequeños, podemos ver que el ejemplo en el one-shot prompting puede filtrarse en la salida y arruinar la respuesta.

## Implementando el One-Shot Prompting en tus Flujos de FlowHunt

Si usas FlowHunt para la creación de contenido, puedes implementar fácilmente el one-shot prompting en tus propios flujos de trabajo:

1. Crea una plantilla que incluya tu ejemplo de one-shot
2. Configura una variable para capturar el input del usuario
3. Configura el LLM para procesar el input usando el patrón de tu ejemplo
4. Envía la salida directamente a WordPress a través de nuestra integración

Este enfoque se puede adaptar prácticamente a cualquier salida estructurada que necesites que tu LLM genere de manera consistente.