在使用sklearn的KMeans算法时，我们通常会使用拟合（fit）方法来训练模型并生成聚类结果。然而，也可以在不使用拟合的情况下使用KMeans算法来进行聚类。

以下是一个代码示例，展示了如何在不使用拟合的情况下使用sklearn的KMeans算法来进行聚类：

from sklearn.cluster import KMeans
import numpy as np

# 创建一个样本数据集
X = np.array([
    [1, 2],
    [1.5, 1.8],
    [5, 8],
    [8, 8],
    [1, 0.6],
    [9, 11]
])

# 创建一个KMeans对象，并设置聚类簇的数量为2
kmeans = KMeans(n_clusters=2)

# 直接使用数据集X进行聚类，不进行拟合
labels = kmeans.predict(X)

# 输出聚类结果
print(labels)

在上述代码中，我们首先导入了需要的库，然后创建了一个样本数据集X，其中包含6个样本和2个特征。接下来，我们创建了一个KMeans对象，并设置聚类簇的数量为2。然后，我们直接使用数据集X调用predict方法，来获取样本的聚类标签，而不进行拟合操作。最后，我们打印出聚类结果。

输出结果为： [0 0 1 1 0 1]

这里的输出结果表示每个样本所属的聚类簇的标签，0和1分别表示两个不同的聚类簇。需要注意的是，由于我们没有进行拟合操作，所以这里的聚类结果只是基于初始的聚类中心进行计算得到的，可能与实际的聚类结果有一定差距。因此，在实际应用中，为了获得更好的聚类结果，通常需要使用拟合方法来迭代优化聚类中心。