One-Shot Prompting: Ensinando LLMs a Criar Embeds do YouTube

Modelos de Linguagem de Grande Porte (LLMs) são incrivelmente versáteis, mas às vezes precisam de orientação para executar tarefas específicas corretamente. Na FlowHunt, temos explorado o poder do one-shot prompting para ensinar nosso LLM a criar embeds perfeitos do YouTube diretamente em posts do WordPress por meio de nossa integração. Essa técnica melhorou drasticamente a precisão e a eficiência da criação de conteúdo para nossos usuários.

O que é One-Shot Prompting?

One-shot prompting é uma técnica em que você fornece a um LLM um único exemplo do formato ou comportamento de saída desejado. Diferente do zero-shot prompting (em que nenhum exemplo é dado) ou few-shot prompting (que usa múltiplos exemplos), o one-shot equilibra eficiência e efetividade.

A beleza do one-shot prompting está na sua simplicidade: mostre ao modelo uma vez, e ele pode replicar o padrão.

O Desafio do Embed do YouTube

O WordPress oferece várias maneiras de incorporar vídeos do YouTube, mas o processo nem sempre é intuitivo, especialmente para usuários que não estão familiarizados com o editor de blocos ou shortcodes do WordPress. Nosso objetivo era permitir que os usuários simplesmente digitassem um tópico ou produto, e que nosso LLM encontrasse vídeos relevantes no YouTube e gerasse o código de embed apropriado por meio da integração FlowHunt WordPress.

Inicialmente, nosso LLM tinha dificuldades com a formatação consistente e às vezes produzia métodos de embed incompatíveis. Foi aí que o one-shot prompting entrou em ação.

Nossa Solução com One-Shot Prompting

Aqui está o prompt exato que implementamos para resolver o problema de embed do YouTube:

CopyVideos: Existem tutoriais em vídeo ou apresentações de produto sobre a entrada? Resuma o conteúdo deles e encontre vídeos do YouTube relacionados à entrada e apresente-os em formato de embed HTML.

exemplo de embed:
"<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}```

Esse prompt simples, mas eficaz, faz várias coisas essenciais:

- Explica claramente a tarefa: encontrar tutoriais em vídeo e apresentações de produtos relacionados à entrada
- Solicita um resumo do conteúdo dos vídeos
- Fornece um exemplo completo do formato exato do embed de iframe necessário
- Usa uma estrutura de entrada clara com delimitadores (`---START INPUT---` e `---`)

O exemplo mostra ao LLM:

- A estrutura exata do iframe necessária para embeds do YouTube
- Todos os atributos necessários (width, height, allowfullscreen, etc.)
- O formato correto da URL de embed do YouTube (usando `/embed/` em vez de `/watch?v=`)

## Resultados e Benefícios

Após implementar essa abordagem de one-shot prompting, observamos:

- **Precisão quase perfeita** nos embeds do YouTube formatados corretamente
- **Formatação de vídeos responsiva consistente** em diferentes dispositivos
- **Grande economia de tempo** para criadores de conteúdo, que antes precisavam buscar e incorporar vídeos manualmente
- **Melhora na qualidade do conteúdo** com curadoria automática de vídeos relevantes

Para nossos usuários da FlowHunt, isso significou que podiam focar na criação do conteúdo escrito enquanto o LLM cuidava dos aspectos técnicos de buscar e incorporar vídeos relevantes.

## Por Que One-Shot é Melhor Que Alternativas

Experimentamos várias abordagens:

1. **Zero-shot prompting:** Simplesmente pedir ao LLM para “encontrar e incorporar vídeos do YouTube” resultou em formatos inconsistentes e, às vezes, código iframe problemático.
2. **Instruções detalhadas sem exemplos:** Embora fornecer especificações técnicas tenha melhorado os resultados, o LLM ainda cometia erros de formatação sem ver um exemplo concreto.
3. **Few-shot prompting:** Usar múltiplos exemplos funcionou bem, mas era exagero para essa tarefa e aumentava o uso de tokens desnecessariamente.

O one-shot prompting provou ser o ponto de equilíbrio – oferecendo orientação suficiente sem desperdiçar recursos.

## Além do YouTube: Expandindo o Padrão

Desde então, aplicamos a mesma técnica de one-shot prompting a outros cenários de embed:

- Posts do Twitter/X
- Posts do Instagram
- Diversos formatos

Todos seguem um padrão semelhante: mostre um exemplo perfeito, depois deixe o LLM replicá-lo.

> Dependendo do tamanho e da complexidade do LLM, pode ser necessário enfatizar bastante que o exemplo é apenas um exemplo e não exatamente o que queremos do LLM. Em modelos menores, podemos perceber que o exemplo do one-shot prompting pode vazar para a saída e prejudicar a resposta.

## Implementando One-Shot Prompting em Seus Fluxos FlowHunt

Se você usa a FlowHunt para criação de conteúdo, pode facilmente implementar o one-shot prompting em seus próprios fluxos de trabalho:

1. Crie um template que inclua seu exemplo one-shot
2. Configure uma variável para capturar a entrada do usuário
3. Configure o LLM para processar a entrada seguindo o padrão do seu exemplo
4. Envie a saída diretamente para o WordPress por meio de nossa integração

Essa abordagem pode ser adaptada para praticamente qualquer saída estruturada que você precise que seu LLM gere de forma consistente.