Zero-shot prompting 是最基本的 prompt 形式：你只用文字描述任務，模型就直接做，完全不給範例。「翻成日文」「用三句話總結這篇文章」就是 zero-shot prompt。 它重要的原因是：現代 LLM 訓練資料量太大，光靠指令就能完成很多任務。Zero-shot 是寫 prompt 的起點——先試試夠不夠用，不夠再加範例或 fine-tune。Prompt 越短，成本越低、回應越快。 舉個例子：把客戶評論分成正面、負面、中性。Zero-shot 就是一行「請把這則評論分類為正面、負面或中性：{text}」。幾年前這需要標註資料 + 訓練分類器，現在 GPT-4 或 Claude 一行解決。 當 zero-shot 結果不夠好時，常見的修法是：把任務描述寫清楚一點、改用 few-shot 加範例、用 chain-of-thought 把推理步驟拆開、或是 fine-tune。Zero-shot 表現也是評測新模型的常見指標——「沒有特別訓練過的任務做得如何？」 延伸閱讀：few-shot prompting、in-context learning、instruction tuning。