One-Shot Prompting: Lære LLMer å lage YouTube-innbygginger

Store språkmodeller (LLMer) er utrolig allsidige, men de trenger noen ganger veiledning for å utføre spesifikke oppgaver korrekt. I FlowHunt har vi utforsket kraften i one-shot prompting for å lære vår LLM å lage perfekte YouTube-innbygginger direkte i WordPress-innlegg gjennom vår integrasjon. Denne teknikken har dramatisk forbedret nøyaktigheten og effektiviteten i innholdsproduksjonen for brukerne våre.

Hva er One-Shot Prompting?

One-shot prompting er en teknikk hvor du gir en LLM et enkelt eksempel på ønsket utdataformat eller atferd. I motsetning til zero-shot prompting (hvor ingen eksempler gis) eller few-shot prompting (som bruker flere eksempler), finner one-shot en balanse mellom effektivitet og resultat.

Skjønnheten med one-shot prompting ligger i dens enkelhet: vis modellen én gang, og den kan reprodusere mønsteret.

YouTube-innbyggingsutfordringen

WordPress tilbyr ulike måter å bygge inn YouTube-videoer på, men prosessen er ikke alltid intuitiv, spesielt for brukere som ikke er kjent med WordPress sin blokkeditor eller kortkoder. Målet vårt var å gjøre det mulig for brukere å enkelt skrive inn et tema eller produkt, og la LLMen vår finne relevante YouTube-videoer og generere korrekt innbyggingskode gjennom FlowHunt WordPress-integrasjonen.

I starten slet LLMen vår med å holde formateringen konsekvent, og produserte iblant inkompatible innbyggingsmetoder. Det var her one-shot prompting kom til unnsetning.

Vår One-Shot Prompting-løsning

Her er nøyaktig prompt vi brukte for å løse YouTube-innbyggingsproblemet:

CopyVideos: Finnes det videotutorialer eller produktoversikter om innholdet? Oppsummer innholdet og finn YouTube-videoer relatert til innholdet og presenter dem i HTML-innbyggingsformat.

eksempel på innbygging:
"<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 prompten oppnår flere viktige ting:

- Angir tydelig oppgaven: finn videotutorialer og produktoversikter relatert til innholdet
- Ber om en oppsummering av videoinnholdet
- Gir et komplett eksempel på nøyaktig ønsket iframe-innbyggingsformat
- Bruker en klar inputstruktur med avgrensere (`---START INPUT---` og `---`)

Eksempelet viser LLMen:

- Den nøyaktige iframestrukturen som trengs for YouTube-innbygginger
- Alle nødvendige attributter (bredde, høyde, allowfullscreen, osv.)
- Riktig YouTube-innbyggings-URL-format (ved å bruke `/embed/` i stedet for `/watch?v=`)

## Resultater og fordeler

Etter å ha tatt i bruk denne one-shot prompting-tilnærmingen, observerte vi:

- **Nesten perfekt nøyaktighet** i riktig formaterte YouTube-innbygginger
- **Konsekvent responsiv videoformatering** på tvers av ulike enheter
- **Betydelig tidsbesparelse** for innholdsskapere som tidligere måtte søke opp og bygge inn relevante videoer manuelt
- **Forbedret innholdskvalitet** med automatisk kuratert relevant videoinnhold

For våre FlowHunt-brukere betydde dette at de kunne fokusere på å lage skriftlig innhold, mens LLMen tok seg av de tekniske aspektene med å finne og bygge inn relevante videoer.

## Hvorfor one-shot fungerer bedre enn alternativer

Vi eksperimenterte med flere tilnærminger:

1. **Zero-shot prompting:** Å bare be LLMen “finne og bygge inn YouTube-videoer” resulterte i inkonsistente formater og tidvis problematisk iframe-kode.
2. **Detaljerte instruksjoner uten eksempler:** Selv om tekniske spesifikasjoner forbedret resultatene, gjorde LLMen fortsatt formateringsfeil uten å se et konkret eksempel.
3. **Few-shot prompting:** Å bruke flere eksempler fungerte, men var overdrevent for denne oppgaven og økte token-bruken unødvendig.

One-shot prompting viste seg å være det ideelle punktet – gir akkurat nok veiledning uten å sløse ressurser.

## Utover YouTube: Å utvide mønsteret

Vi har siden brukt samme one-shot prompting-teknikk på andre innbyggingsscenarier:

- Twitter/X-poster
- Instagram-poster
- Ulike formateringer

Alle følger samme mønster: vis ett perfekt eksempel, la så LLMen reprodusere det.

> Avhengig av størrelsen og kompleksiteten til LLMen, kan det være nødvendig å virkelig understreke at eksempelet kun er et eksempel og ikke nøyaktig det vi ønsker som svar fra LLMen. I mindre modeller kan vi se at eksempelet i one-shot prompting kan sive inn i utdataene og ødelegge svaret.

## Slik bruker du one-shot prompting i dine FlowHunt-arbeidsflyter

Hvis du bruker FlowHunt til innholdsproduksjon, kan du enkelt implementere one-shot prompting i dine egne arbeidsflyter:

1. Lag en mal som inkluderer ditt one-shot-eksempel
2. Sett opp en variabel for å fange brukerens input
3. Konfigurer LLMen til å behandle input med mønsteret fra eksempelet ditt
4. Send utdataene direkte til WordPress gjennom vår integrasjon

Denne tilnærmingen kan tilpasses for praktisk talt alle strukturerte utdata du ønsker at LLMen skal generere konsekvent.