One-Shot Prompting: LLM'lere YouTube Gömüleri Oluşturmayı Öğretmek

Büyük Dil Modelleri (LLM’ler) son derece çok yönlüdür, ancak bazen belirli görevleri doğru şekilde yerine getirmeleri için yol gösterilmesi gerekir. FlowHunt’ta, LLM’mize WordPress gönderilerinde doğrudan kusursuz YouTube gömmeleri oluşturmayı öğretmek için one-shot prompting’in gücünü keşfettik. Bu teknik, kullanıcılarımız için içerik üretiminin doğruluğunu ve verimliliğini çarpıcı biçimde artırdı.

One-Shot Prompting Nedir?

One-shot prompting, LLM’ye istenen çıktı formatı veya davranışının tek bir örneğinin sunulduğu bir tekniktir. Zero-shot prompting’den (hiç örnek verilmez) veya few-shot prompting’den (birden fazla örnek kullanılır) farklı olarak, one-shot verimlilik ve etkililik arasında bir denge kurar.

One-shot prompting’in güzelliği sadeliğinde yatar: modele bir kez gösterirsiniz, o da örüntüyü tekrarlar.

YouTube Gömme Problemi

WordPress, YouTube videolarını gömmek için çeşitli yollar sunar; ancak bu süreç, özellikle WordPress’in blok editörü veya kısa kodları ile aşina olmayan kullanıcılar için her zaman sezgisel değildir. Amacımız, kullanıcıların yalnızca bir konu veya ürün girmesini sağlamak ve LLM’mizin ilgili YouTube videolarını bulup FlowHunt WordPress entegrasyonu ile doğru gömme kodunu üretmesini sağlamaktı.

Başlangıçta, LLM’miz tutarlı biçimlendirme ile zorlandı ve bazen uyumsuz gömme yöntemleri üretti. İşte burada one-shot prompting imdada yetişti.

One-Shot Prompting Çözümümüz

YouTube gömme problemini çözmek için uyguladığımız kesin prompt şu şekilde:

CopyVideos: Girdiyle ilgili video eğitimleri veya ürün tanıtımları var mı? İçeriklerini özetle ve girdiye ilişkin YouTube videolarını bulup bunları HTML gömme formatında sun.

gömme örneği:
"<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}```

Bu basit ama etkili prompt birkaç önemli şeyi başarır:

- Görevi net şekilde belirtir: girdiye ilişkin video eğitimlerini ve ürün tanıtımlarını bulmak
- Video içeriğinin özetini ister
- Tam olarak gerekli iframe gömme formatının eksiksiz bir örneğini sunar
- Açık bir girdi yapısı kullanır (ayraçlarla: `---START INPUT---` ve `---`)

Örnek LLM'ye şunları gösterir:

- YouTube gömmeleri için gereken tam iframe yapısı
- Tüm gerekli öznitelikler (width, height, allowfullscreen vb.)
- Doğru YouTube gömme URL formatı (`/embed/` kullanılır, `/watch?v=` yerine)

## Sonuçlar ve Faydalar

Bu one-shot prompting yaklaşımını uyguladıktan sonra şunları gözlemledik:

- **Neredeyse kusursuz doğruluk** ile doğru biçimlendirilmiş YouTube gömmeleri
- **Farklı cihazlarda tutarlı ve duyarlı video biçimlendirmesi**
- **İçerik üreticileri için önemli zaman tasarrufu**, çünkü daha önce ilgili videoları manuel olarak arayıp gömmeleri gerekiyordu
- **Otomatik olarak seçilmiş ilgili video içerikleriyle içerik kalitesinde artış**

FlowHunt kullanıcılarımız için bu, yazılı içerik oluşturmaya odaklanabilmek ve LLM'nin ilgili videoları bulup gömme işini teknik açıdan halletmesi anlamına geliyordu.

## Neden One-Shot Alternatiflerden Daha İyi Çalışır?

Birçok yaklaşımı denedik:

1. **Zero-shot prompting:** LLM'ye sadece “YouTube videoları bul ve göm” demek tutarsız formatlara ve zaman zaman sorunlu iframe kodlarına yol açtı.
2. **Örnek olmadan ayrıntılı talimatlar:** Teknik gereksinimler vermek sonuçları iyileştirirken, LLM somut bir örnek görmediğinde hala biçimlendirme hataları yaptı.
3. **Few-shot prompting:** Birden fazla örnek kullanmak iyi sonuç verdi ama bu görev için gereksizdi ve fazladan token kullanımı getirdi.

One-shot prompting tam anlamıyla ideal noktaydı – fazla kaynak harcamadan yeterli rehberlik sağladı.

## YouTube'un Ötesinde: Deseni Genişletmek

Aynı one-shot prompting tekniğini başka gömme senaryolarında da uyguladık:

- Twitter/X gönderileri
- Instagram gönderileri
- Çeşitli biçimlendirmeler

Her biri benzer bir deseni takip ediyor: bir mükemmel örnek gösterin, ardından LLM'nin bunu kopyalamasına izin verin.

> LLM'nin boyutuna ve karmaşıklığına bağlı olarak, örneğin gerçekten sadece bir örnek olduğunu ve LLM'den tam olarak bunu beklemediğimizi vurgulamak gerekebilir. Küçük modellerde, one-shot prompting'teki örneğin çıktıya sızdığını ve cevabı bozduğunu görebiliyoruz.

## FlowHunt Akışlarınızda One-Shot Prompting Nasıl Uygulanır?

FlowHunt'u içerik üretimi için kullanıyorsanız, kendi akışlarınızda one-shot prompting'i kolayca uygulayabilirsiniz:

1. One-shot örneğinizi içeren bir şablon oluşturun
2. Kullanıcı girdisini yakalamak için bir değişken ayarlayın
3. LLM'yi örnekteki deseni kullanarak girdiyi işleyecek şekilde yapılandırın
4. Çıktıyı doğrudan entegrasyonumuz aracılığıyla WordPress'e gönderin

Bu yaklaşım, LLM'nizin tutarlı şekilde üretmesini istediğiniz hemen her türde yapılandırılmış çıktı için uyarlanabilir.