One-Shot Prompting: Nauczanie LLM-ów, jak tworzyć osadzenia YouTube

Duże modele językowe (LLM) są niezwykle wszechstronne, ale czasami wymagają wskazówek, aby poprawnie wykonać konkretne zadania. W FlowHunt badamy potencjał one-shot prompting, aby nauczyć nasz LLM tworzenia perfekcyjnych osadzeń YouTube bezpośrednio w postach WordPress dzięki naszej integracji. Ta technika znacząco poprawiła dokładność i efektywność tworzenia treści dla naszych użytkowników.

Czym jest One-Shot Prompting?

One-shot prompting to technika, w której podajesz LLM-owi pojedynczy przykład oczekiwanego formatu wyjścia lub zachowania. W przeciwieństwie do zero-shot prompting (gdy nie podaje się żadnych przykładów) lub few-shot prompting (gdzie używa się kilku przykładów), one-shot to idealny kompromis między efektywnością a skutecznością.

Piękno one-shot prompting tkwi w prostocie: pokaż modelowi raz, a potrafi powtórzyć wzorzec.

Wyzwanie z osadzaniem YouTube

WordPress oferuje różne sposoby osadzania filmów z YouTube, ale proces ten nie zawsze jest intuicyjny, zwłaszcza dla osób, które nie znają edytora blokowego WordPressa lub shortcode’ów. Naszym celem było umożliwienie użytkownikom prostego wpisania tematu lub produktu, a nasz LLM znajduje odpowiednie filmy z YouTube i generuje właściwy kod osadzenia poprzez integrację FlowHunt z WordPressem.

Początkowo nasz LLM miał trudności z zachowaniem spójnego formatowania i czasami generował niekompatybilne metody osadzania. Tutaj z pomocą przyszło one-shot prompting.

Nasze rozwiązanie z One-Shot Prompting

Oto dokładny prompt, który wdrożyliśmy, aby rozwiązać problem z osadzaniem YouTube:

CopyVideos: Czy istnieją wideoporadniki lub prezentacje produktów dotyczące wejścia? Streść ich treść i znajdź filmy z YouTube powiązane z wejściem, prezentując je w formacie HTML do osadzania.

przykład osadzenia:
"<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}```

Ten prosty, ale skuteczny prompt realizuje kilka kluczowych zadań:

- Jasno określa zadanie: znalezienie wideoporadników i prezentacji produktów powiązanych z wejściem
- Prosi o streszczenie treści filmów
- Dostarcza kompletny przykład dokładnego formatu osadzenia iframe
- Używa czytelnej struktury wejścia z ogranicznikami (`---START INPUT---` i `---`)

Przykład pokazuje LLM-owi:

- Dokładną strukturę iframe wymaganą do osadzenia YouTube
- Wszystkie niezbędne atrybuty (width, height, allowfullscreen itd.)
- Właściwy format URL do osadzania YouTube (z użyciem `/embed/` zamiast `/watch?v=`)

## Wyniki i korzyści

Po wdrożeniu podejścia one-shot prompting zaobserwowaliśmy:

- **Prawie perfekcyjną dokładność** w poprawnie sformatowanych osadzeniach YouTube
- **Spójne, responsywne formatowanie wideo** na różnych urządzeniach
- **Znaczną oszczędność czasu** dla twórców treści, którzy wcześniej musieli ręcznie wyszukiwać i osadzać odpowiednie filmy
- **Wyższą jakość treści** dzięki automatycznemu doborowi powiązanych filmów

Dla użytkowników FlowHunt oznaczało to możliwość skupienia się na pisaniu treści, podczas gdy LLM zajmował się techniczną stroną wyszukiwania i osadzania filmów.

## Dlaczego one-shot działa lepiej niż alternatywy

Przetestowaliśmy kilka podejść:

1. **Zero-shot prompting:** Proste polecenie LLM-owi “znajdź i osadź filmy z YouTube” skutkowało niespójnymi formatami, a czasem problematycznym kodem iframe.
2. **Szczegółowe instrukcje bez przykładów:** Dodatkowa specyfikacja techniczna poprawiała wyniki, ale bez konkretnego przykładu LLM wciąż popełniał błędy formatowania.
3. **Few-shot prompting:** Wykorzystanie kilku przykładów działało dobrze, ale było przesadne w tym zadaniu i niepotrzebnie zwiększało zużycie tokenów.

One-shot prompting okazało się złotym środkiem – wystarczająco dużo wskazówek bez marnowania zasobów.

## Poza YouTube: rozszerzanie wzorca

Tę samą technikę one-shot prompting zastosowaliśmy w innych scenariuszach osadzania:

- Posty z Twittera/X
- Posty z Instagrama
- Różne formatowania

Każdy opiera się na podobnym schemacie: pokaż jeden idealny przykład, a LLM go powieli.

> W zależności od wielkości i złożoności LLM, może być konieczne mocne podkreślenie, że przykład faktycznie jest tylko przykładem, a nie gotową odpowiedzią. W mniejszych modelach widzimy, że przykład z one-shot prompting potrafi „przeciekać” do odpowiedzi i ją zaburzyć.

## Implementacja one-shot prompting w Twoich przepływach FlowHunt

Jeśli korzystasz z FlowHunt do tworzenia treści, możesz łatwo wdrożyć one-shot prompting w swoich własnych przepływach:

1. Utwórz szablon zawierający Twój przykład one-shot
2. Skonfiguruj zmienną przechwytującą dane wejściowe użytkownika
3. Ustaw LLM, by przetwarzał wejście zgodnie ze wzorcem z przykładu
4. Wyślij wynik bezpośrednio do WordPressa przez naszą integrację

To podejście można zaadaptować do praktycznie każdego ustrukturyzowanego wyniku, jaki chcesz, by Twój LLM generował konsekwentnie.