One-Shot Prompting: Lär LLM att skapa YouTube-inbäddningar

Stora språkmodeller (LLM:er) är otroligt mångsidiga, men ibland behöver de vägledning för att utföra specifika uppgifter korrekt. På FlowHunt har vi utforskat kraften i one-shot prompting för att lära vår LLM att skapa perfekta YouTube-inbäddningar direkt i WordPress-inlägg via vår integration. Denna teknik har avsevärt förbättrat noggrannheten och effektiviteten i innehållsskapandet för våra användare.

Vad är One-Shot Prompting?

One-shot prompting är en teknik där du ger en LLM ett enda exempel på det önskade utdataformatet eller beteendet. Till skillnad från zero-shot prompting (där inga exempel ges) eller few-shot prompting (som använder flera exempel) hittar one-shot en balans mellan effektivitet och resultat.

Skönheten med one-shot prompting ligger i dess enkelhet: visa modellen en gång och den kan efterlikna mönstret.

Utmaningen med YouTube-inbäddningar

WordPress erbjuder olika sätt att bädda in YouTube-videor, men processen är inte alltid intuitiv, särskilt för användare som inte är bekanta med WordPress blockredigerare eller kortkoder. Vårt mål var att låta användare helt enkelt ange ett ämne eller en produkt, och låta vår LLM hitta relevanta YouTube-videor och generera rätt inbäddningskod via FlowHunt WordPress-integrationen.

Inledningsvis hade vår LLM svårt att hålla enhetlig formatering och producerade ibland inkompatibla inbäddningsmetoder. Här kom one-shot prompting till undsättning.

Vår One-Shot Prompting-lösning

Här är den exakta prompt vi implementerade för att lösa YouTube-inbäddningsproblemet:

CopyVideos: Finns det videotutorials eller produktöversikter om inmatningen? Sammanfatta deras innehåll och hitta YouTube-videor relaterade till inmatningen och presentera dem i HTML-inbäddningsformat.

exempel på inbäddning:
"<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}```

Denna enkla men effektiva prompt gör flera viktiga saker:

- Klargör uppgiften: hitta videotutorials och produktöversikter relaterade till inmatningen
- Ber om en sammanfattning av videoinnehållet
- Ger ett komplett exempel på det exakta iframe-inbäddningsformat som krävs
- Använder en tydlig inmatningsstruktur med avgränsare (`---START INPUT---` och `---`)

Exemplet visar LLM:en:

- Den exakta iframe-strukturen som behövs för YouTube-inbäddningar
- Alla nödvändiga attribut (width, height, allowfullscreen, etc.)
- Den korrekta YouTube-inbäddnings-URL-strukturen (med `/embed/` istället för `/watch?v=`)

## Resultat och Fördelar

Efter att vi implementerat denna one-shot prompting-metod såg vi:

- **Nästan perfekt noggrannhet** i korrekt formaterade YouTube-inbäddningar
- **Konsekvent responsiv videoformatering** på olika enheter
- **Betydande tidsbesparing** för innehållsskapare som tidigare behövde söka och bädda in relevanta videor manuellt
- **Förbättrad innehållskvalitet** med automatiskt utvalda relevanta videor

För våra FlowHunt-användare innebar detta att de kunde fokusera på att skapa textinnehåll medan LLM:en tog hand om det tekniska med att hitta och bädda in relevanta videor.

## Varför One-Shot Fungerar Bättre än Alternativen

Vi testade flera metoder:

1. **Zero-shot prompting:** Att bara be LLM:en att "hitta och bädda in YouTube-videor" gav oenhetliga format och ibland problematisk iframe-kod.
2. **Detaljerade instruktioner utan exempel:** Att ge tekniska specifikationer förbättrade resultatet, men LLM:en gjorde fortfarande formateringsfel utan att ha sett ett konkret exempel.
3. **Few-shot prompting:** Att använda flera exempel fungerade bra men var överdrivet för denna uppgift och ökade tokenanvändningen i onödan.

One-shot prompting visade sig vara den gyllene medelvägen – tillräcklig vägledning utan att slösa resurser.

## Utöver YouTube: Utöka mönstret

Vi har sedan dess tillämpat samma one-shot prompting-teknik på andra inbäddningsscenarier:

- Twitter/X-inlägg
- Instagram-inlägg
- Olika formatering

Alla följer samma mönster: visa ett perfekt exempel, låt sedan LLM:en replikera det.

> Beroende på storleken och komplexiteten på LLM:en kan det vara nödvändigt att verkligen betona att exemplet endast är ett exempel och inte exakt vad vi vill ha från LLM:en. I mindre modeller kan vi se att exemplet i one-shot prompting ibland "läcker igenom" i utdata och förstör svaret.

## Implementera One-Shot Prompting i Dina FlowHunt-arbetsflöden

Om du använder FlowHunt för innehållsskapande kan du enkelt implementera one-shot prompting i dina egna arbetsflöden:

1. Skapa en mall som inkluderar ditt one-shot-exempel
2. Sätt upp en variabel för att fånga användarens inmatning
3. Konfigurera LLM:en att bearbeta inmatningen enligt mönstret i ditt exempel
4. Skicka utdata direkt till WordPress via vår integration

Denna metod kan anpassas för i princip alla strukturerade utdata du vill att din LLM ska generera konsekvent.