One-Shot Prompting: Insegnare agli LLM a Creare Embed di YouTube

I Large Language Models (LLM) sono incredibilmente versatili, ma a volte hanno bisogno di indicazioni per eseguire correttamente compiti specifici. In FlowHunt, abbiamo esplorato la potenza del one-shot prompting per insegnare al nostro LLM come creare embed perfetti di YouTube direttamente nei post di WordPress tramite la nostra integrazione. Questa tecnica ha migliorato notevolmente l’accuratezza e l’efficienza nella creazione di contenuti per i nostri utenti.

Che cos’è il One-Shot Prompting?

Il one-shot prompting è una tecnica in cui fornisci a un LLM un solo esempio del formato di output o comportamento desiderato. A differenza dello zero-shot prompting (in cui non vengono forniti esempi) o del few-shot prompting (che utilizza più esempi), il one-shot trova un equilibrio tra efficienza ed efficacia.

La bellezza del one-shot prompting sta nella sua semplicità: mostra al modello una volta sola e sarà in grado di replicare lo schema.

La Sfida dell’Embed di YouTube

WordPress offre vari modi per incorporare video YouTube, ma il processo non è sempre intuitivo, soprattutto per chi non conosce l’editor a blocchi di WordPress o gli shortcode. Il nostro obiettivo era permettere agli utenti di inserire semplicemente un argomento o un prodotto, e lasciare che il nostro LLM trovasse video YouTube rilevanti e generasse il codice di embed corretto tramite l’integrazione FlowHunt per WordPress.

Inizialmente, il nostro LLM aveva difficoltà a mantenere una formattazione coerente e talvolta produceva metodi di embedding incompatibili. È qui che il one-shot prompting ci è venuto in soccorso.

La Nostra Soluzione di One-Shot Prompting

Ecco il prompt esatto che abbiamo implementato per risolvere il problema degli embed di YouTube:

CopyVideos: Esistono video tutorial o panoramiche di prodotto sull'input? Riassumi il loro contenuto e trova video YouTube relativi all'input, presentandoli in formato HTML embedding.

esempio di embedding:
"<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}```

Questo prompt semplice ma efficace compie diverse azioni chiave:

- Definisce chiaramente il compito: trovare video tutorial e panoramiche di prodotto relativi all'input
- Richiede un riassunto del contenuto dei video
- Fornisce un esempio completo del formato iframe di embed richiesto
- Utilizza una struttura di input chiara con delimitatori (`---START INPUT---` e `---`)

L'esempio mostra all'LLM:

- La struttura esatta dell'iframe necessaria per gli embed di YouTube
- Tutti gli attributi necessari (width, height, allowfullscreen, ecc.)
- Il formato corretto dell'URL di embed di YouTube (utilizzando `/embed/` invece di `/watch?v=`)

## Risultati e Benefici

Dopo aver implementato questo approccio di one-shot prompting, abbiamo osservato:

- **Accuratezza quasi perfetta** negli embed YouTube formattati correttamente
- **Formattazione video responsive e coerente** su diversi dispositivi
- **Notevole risparmio di tempo** per i creator che prima dovevano cercare e incorporare manualmente i video rilevanti
- **Maggiore qualità dei contenuti** con video rilevanti curati automaticamente

Per i nostri utenti FlowHunt, questo significava potersi concentrare sulla creazione dei contenuti scritti mentre l'LLM gestiva gli aspetti tecnici della ricerca e dell'embedding dei video rilevanti.

## Perché il One-Shot Funziona Meglio delle Alternative

Abbiamo sperimentato diversi approcci:

1. **Zero-shot prompting:** Chiedere semplicemente all'LLM di “trovare e incorporare video YouTube” portava a formati incoerenti e talvolta a codice iframe problematico.
2. **Istruzioni dettagliate senza esempi:** Anche fornendo specifiche tecniche, l'LLM commetteva ancora errori di formattazione senza vedere un esempio concreto.
3. **Few-shot prompting:** Usare più esempi funzionava bene ma era eccessivo per questo compito e aumentava inutilmente l'uso di token.

Il one-shot prompting si è dimostrato il punto di equilibrio ideale: fornisce la giusta quantità di guida senza sprecare risorse.

## Oltre YouTube: Estendere lo Schema

Abbiamo applicato la stessa tecnica di one-shot prompting anche ad altri scenari di embedding:

- Post di Twitter/X
- Post di Instagram
- Vari formati

Ognuno segue uno schema simile: mostra un esempio perfetto, poi lascia che l'LLM lo replichi.

> A seconda della dimensione e complessità dell'LLM, potrebbe essere necessario sottolineare chiaramente che l'esempio è soltanto un esempio e non esattamente ciò che vogliamo dall'LLM. Nei modelli più piccoli, possiamo osservare che l'esempio nel one-shot prompting può influenzare l'output e compromettere la risposta.

## Implementare il One-Shot Prompting nei Tuoi Flussi FlowHunt

Se utilizzi FlowHunt per la creazione di contenuti, puoi implementare facilmente il one-shot prompting nei tuoi flussi di lavoro:

1. Crea un template che includa il tuo esempio one-shot
2. Imposta una variabile per acquisire l'input dell'utente
3. Configura l'LLM affinché elabori l'input seguendo lo schema del tuo esempio
4. Invia l'output direttamente su WordPress tramite la nostra integrazione

Questo approccio può essere adattato a praticamente qualsiasi output strutturato di cui hai bisogno che il tuo LLM generi in modo coerente.