One-Shot Prompting: LLM's leren YouTube-embeds te maken

Large Language Models (LLM’s) zijn ongelooflijk veelzijdig, maar hebben soms sturing nodig om specifieke taken correct uit te voeren. Bij FlowHunt onderzoeken we de kracht van one-shot prompting om onze LLM te leren perfecte YouTube-embeds rechtstreeks in WordPress-berichten te maken via onze integratie. Deze techniek heeft de nauwkeurigheid en efficiëntie van contentcreatie voor onze gebruikers aanzienlijk verbeterd.

Wat is One-Shot Prompting?

One-shot prompting is een techniek waarbij je een LLM één voorbeeld geeft van het gewenste outputformaat of gedrag. In tegenstelling tot zero-shot prompting (waar geen voorbeelden worden gegeven) of few-shot prompting (met meerdere voorbeelden), vormt one-shot een balans tussen efficiëntie en effectiviteit.

Het mooie van one-shot prompting zit in de eenvoud: laat het model het één keer zien, en het kan het patroon nabootsen.

De YouTube-embed-uitdaging

WordPress biedt verschillende manieren om YouTube-video’s te embedden, maar het proces is niet altijd intuïtief, vooral niet voor gebruikers die niet bekend zijn met de block editor of shortcodes van WordPress. Ons doel was om gebruikers simpelweg een onderwerp of product te laten invoeren, waarna onze LLM relevante YouTube-video’s zou vinden en de juiste embedcode zou genereren via de FlowHunt WordPress-integratie.

Aanvankelijk had onze LLM moeite met consistente opmaak en produceerde soms incompatibele embed-methodes. Hier bood one-shot prompting uitkomst.

Onze One-Shot Prompting-oplossing

Dit is de exacte prompt die we hebben geïmplementeerd om het YouTube-embedprobleem op te lossen:

CopyVideos: Zijn er videotutorials of productoverzichten over de input? Vat hun inhoud samen en zoek YouTube-video's die gerelateerd zijn aan de input en toon ze in HTML-embedformaat.

voorbeeld van 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}```

Deze simpele maar effectieve prompt doet een aantal belangrijke dingen:

- Geeft duidelijk de taak aan: zoek videotutorials en productoverzichten gerelateerd aan de input
- Vraagt om een samenvatting van de videocontent
- Biedt een volledig voorbeeld van het exacte iframe-embedformaat dat vereist is
- Gebruikt een duidelijke inputstructuur met afbakeningen (`---START INPUT---` en `---`)

Het voorbeeld toont de LLM:

- De exacte iframestructuur die nodig is voor YouTube-embeds
- Alle benodigde attributen (width, height, allowfullscreen, etc.)
- Het juiste YouTube-embed URL-formaat (met `/embed/` in plaats van `/watch?v=`)

## Resultaten en voordelen

Na het implementeren van deze one-shot prompting-aanpak zagen we:

- **Bijna perfecte nauwkeurigheid** in correct geformatteerde YouTube-embeds
- **Consistente, responsieve video-opmaak** op verschillende apparaten
- **Significante tijdsbesparing** voor contentmakers die voorheen handmatig relevante video's moesten zoeken en embedden
- **Verbeterde contentkwaliteit** met automatisch samengestelde relevante videocontent

Voor onze FlowHunt-gebruikers betekende dit dat ze zich konden richten op het schrijven van content, terwijl de LLM de technische kant van het vinden en embedden van relevante video's afhandelde.

## Waarom One-Shot beter werkt dan alternatieven

We hebben verschillende benaderingen getest:

1. **Zero-shot prompting:** De LLM simpelweg vragen om “YouTube-video's te vinden en te embedden” leidde tot inconsistente formaten en soms problematische iframe-code.
2. **Uitgebreide instructies zonder voorbeelden:** Hoewel het geven van technische specificaties de resultaten verbeterde, maakte de LLM nog steeds opmaakfouten zonder een concreet voorbeeld te zien.
3. **Few-shot prompting:** Meerdere voorbeelden werkten goed, maar waren overbodig voor deze taak en verhoogden onnodig het tokengebruik.

One-shot prompting bleek het juiste midden te zijn – precies genoeg sturing zonder verspilling van resources.

## Verder dan YouTube: het patroon uitbreiden

We hebben dezelfde one-shot prompting-techniek toegepast op andere embed-scenario's:

- Twitter/X-berichten
- Instagram-berichten
- Diverse opmaak

Elk volgt een vergelijkbaar patroon: toon één perfect voorbeeld, laat de LLM het vervolgens nabootsen.

> Afhankelijk van de grootte en complexiteit van de LLM kan het nodig zijn om echt te benadrukken dat het voorbeeld inderdaad slechts een voorbeeld is en niet precies wat we van de LLM verwachten. Bij kleinere modellen zien we dat het voorbeeld in de one-shot prompt kan doorsijpelen in de output en het antwoord kan verstoren.

## One-Shot Prompting implementeren in je FlowHunt-workflows

Als je FlowHunt gebruikt voor contentcreatie, kun je eenvoudig one-shot prompting toepassen in je eigen workflows:

1. Maak een template met je one-shot voorbeeld
2. Stel een variabele in om de invoer van de gebruiker vast te leggen
3. Configureer de LLM om de input te verwerken aan de hand van het patroon uit je voorbeeld
4. Stuur de output direct naar WordPress via onze integratie

Deze aanpak kun je aanpassen voor vrijwel elke gestructureerde output die je LLM consistent moet genereren.