這件事會被需要，是因為準備範例本身有成本，而且不是每個任務都有現成範例可以拿來用。臨時被交辦一項從沒做過的任務（第一次寫某種格式的競業分析、第一次幫新產品線寫 FAQ），手上根本沒有「過去做過的好範例」可以貼進提示裡；就算有時間找，找到的範例格式可能也跟這次需求不完全吻合，硬套反而誤導 Claude 模仿到不該模仿的細節。零樣本提示存在的理由，就是承認很多職場任務其實是「一次性、沒有歷史範例」的，這時候與其花時間硬湊一個不夠貼切的範例，不如把力氣直接花在把指令寫清楚——這通常比找範例更快，而且不會被範例裡不相關的細節帶偏。
實務上，零樣本提示的品質幾乎完全取決於指令裡有沒有交代清楚三件事。第一，輸出格式：要條列還是段落、要多長、有沒有固定的欄位順序，不寫清楚，Claude 只能猜一個常見格式，不一定符合你要交出去的場合。第二，判斷標準：如果任務本身涉及判斷（例如「這封客訴信的語氣算不算失控」），要明確給出判斷依據，而不是只丟一個模糊的形容詞讓 Claude 自己詮釋「失控」的標準。第三，邊界條件：哪些情況要特殊處理、哪些資訊如果缺漏要怎麼標示，這些例外情況在沒有範例可以示範的狀況下，必須靠指令本身講清楚，不然 Claude 只能用最常見的預設方式處理，遇到你這次的特殊情況時就會出現落差。把這三件事寫清楚，通常比找一個範例來得快，而且不會被範例裡不相關的細節誤導。
對你來說，零樣本提示的價值不在「省事」，是在「不需要為每一種一次性任務囤積範例庫」。真正該權衡的是：這個任務未來會不會重複出現。如果是一次性任務，把時間花在寫清楚的零樣本指令上，比花時間找或編造範例划算；如果這個任務未來每個月都會做，第一次用零樣本把輸出調到滿意之後，值得把這次的輸出直接存下來當成下次的 few-shot 範例，讓後續每一次都省下重新描述格式的力氣。真正該留意的風險是：零樣本提示對指令品質的容錯率很低，模糊的指令搭配零樣本，得到的往往是一個「技術上有回答但不是你要的東西」的結果，而你因為沒有範例可以比對，甚至可能沒有立刻意識到哪裡不對，直到拿去用的時候才發現落差。
Google 研究團隊 2022 年發表的論文《Large Language Models are Zero-Shot Reasoners》發現，只要在提示裡加上一句「Let's think step by step」（讓我們一步一步思考），即使完全不提供任何範例，也能顯著提升模型在數學推理任務上的準確率；這項發現說明零樣本提示的效果高度取決於指令本身的措辭方式，而不只是有沒有給範例這一件事。
優點是不需要花時間找或編造範例，適合一次性、沒有歷史素材可用的任務，也不會被範例裡不相關的細節誤導；缺點是完全依賴指令文字的清晰度，容錯率低，模糊的指令搭配零樣本容易產生「技術上有回答但不是你要的東西」的結果，而且沒有範例可以比對，問題往往要到實際使用時才被發現。