One-Shot Prompting : Apprendre aux LLMs à créer des intégrations YouTube

Les modèles de langage de grande taille (LLMs) sont incroyablement polyvalents, mais ils ont parfois besoin d’être guidés pour accomplir correctement des tâches spécifiques. Chez FlowHunt, nous avons exploré la puissance du one-shot prompting pour apprendre à notre LLM à créer des intégrations YouTube parfaites directement dans les articles WordPress via notre intégration. Cette technique a considérablement amélioré la précision et l’efficacité de la création de contenu pour nos utilisateurs.

Qu’est-ce que le One-Shot Prompting ?

Le one-shot prompting est une technique où l’on fournit à un LLM un seul exemple du format ou du comportement de sortie souhaité. Contrairement au zero-shot prompting (aucun exemple fourni) ou au few-shot prompting (plusieurs exemples utilisés), le one-shot trouve un équilibre entre efficacité et performance.

La beauté du one-shot prompting réside dans sa simplicité : montrez une seule fois le modèle, et il saura reproduire le schéma.

Le défi de l’intégration YouTube

WordPress propose différentes manières d’intégrer des vidéos YouTube, mais le processus n’est pas toujours intuitif, surtout pour les utilisateurs peu familiers avec l’éditeur de blocs ou les shortcodes de WordPress. Notre objectif était de permettre aux utilisateurs de simplement saisir un sujet ou un produit, et que notre LLM trouve les vidéos YouTube pertinentes et génère le code d’intégration approprié via l’intégration WordPress de FlowHunt.

Au départ, notre LLM avait du mal à maintenir une mise en forme cohérente et produisait parfois des méthodes d’intégration incompatibles. Le one-shot prompting a alors résolu ce problème.

Notre solution de one-shot prompting

Voici l’exact prompt que nous avons mis en place pour résoudre le problème d’intégration YouTube :

CopyVideos : Existe-t-il des tutoriels vidéo ou des présentations de produits sur l'entrée ? Résumez leur contenu et trouvez des vidéos YouTube liées à l'entrée et présentez-les dans un format d'intégration HTML.

exemple d'intégration :
"<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}```

Ce prompt simple mais efficace permet plusieurs choses essentielles :

- Énonce clairement la tâche : trouver des tutoriels vidéo et des présentations de produits liés à l'entrée
- Demande un résumé du contenu des vidéos
- Fournit un exemple complet du format exact d'intégration iframe requis
- Utilise une structure d'entrée claire avec des délimiteurs (`---START INPUT---` et `---`)

L'exemple montre au LLM :

- La structure exacte de l'iframe nécessaire pour les intégrations YouTube
- Tous les attributs nécessaires (largeur, hauteur, allowfullscreen, etc.)
- Le format correct de l'URL d'intégration YouTube (en utilisant `/embed/` au lieu de `/watch?v=`)

## Résultats et bénéfices

Après avoir implémenté cette approche de one-shot prompting, nous avons observé :

- **Une précision quasi-parfaite** dans la mise en forme des intégrations YouTube
- **Une uniformité du format vidéo adaptatif** sur différents appareils
- **Un gain de temps significatif** pour les créateurs de contenu qui devaient auparavant chercher et intégrer manuellement des vidéos pertinentes
- **Une amélioration de la qualité du contenu** avec une sélection automatique de vidéos pertinentes

Pour les utilisateurs de FlowHunt, cela signifiait qu'ils pouvaient se concentrer sur la rédaction de contenu écrit pendant que le LLM gérait les aspects techniques de la recherche et de l'intégration des vidéos pertinentes.

## Pourquoi le one-shot fonctionne mieux que les alternatives

Nous avons expérimenté plusieurs approches :

1. **Zero-shot prompting :** Demander simplement au LLM de « trouver et intégrer des vidéos YouTube » a donné des formats incohérents et parfois un code iframe problématique.
2. **Instructions détaillées sans exemple :** Même en fournissant des spécifications techniques, le LLM commettait encore des erreurs de mise en forme sans voir d'exemple concret.
3. **Few-shot prompting :** Utiliser plusieurs exemples fonctionnait bien mais était excessif pour cette tâche et augmentait inutilement l'utilisation de tokens.

Le one-shot prompting s'est avéré être le juste milieu – offrant suffisamment de directives sans gaspiller de ressources.

## Au-delà de YouTube : étendre le schéma

Nous avons depuis appliqué la même technique de one-shot prompting à d'autres scénarios d'intégration :

- Publications Twitter/X
- Publications Instagram
- Divers formats

Chacun suit un schéma similaire : montrer un exemple parfait, puis laisser le LLM le reproduire.

> Selon la taille et la complexité du LLM, il peut être nécessaire de bien insister sur le fait que l'exemple n'est qu'un exemple et pas exactement ce que nous attendons du LLM. Sur des modèles plus petits, on peut constater que l'exemple du one-shot prompting se retrouve dans la sortie et gâche la réponse.

## Implémenter le one-shot prompting dans vos workflows FlowHunt

Si vous utilisez FlowHunt pour la création de contenu, vous pouvez facilement mettre en place le one-shot prompting dans vos propres workflows :

1. Créez un modèle contenant votre exemple one-shot
2. Mettez en place une variable pour capturer l'entrée de l'utilisateur
3. Configurez le LLM pour traiter l'entrée en suivant le schéma de votre exemple
4. Envoyez la sortie directement dans WordPress via notre intégration

Cette approche peut être adaptée à pratiquement n'importe quelle sortie structurée que vous souhaitez que votre LLM génère de manière cohérente.