摘要： Cursor Automations 讓團隊用自然語言建立、排程並部署 agentic 任務，預設執行在 Cursor 雲端，Firecrawl 則示範以 MCP 提供即時網頁資料。系統支援事件與排程觸發，但 Max Mode 無法關閉，模型選擇成為主要成本開關。文章建議先用低風險任務與便宜模型測試，並注意雲端依賴與資料落地限制。
2026 年，Cursor 推出了 Automations：團隊只要用自然語言描述，就能建立、排程並部署 agentic 任務，任務預設直接跑在 Cursor 的雲端基礎設施上。對產品開發者來說，這意味著重複性的工作可以交給 AI 代理，不必自己維護 DevOps，也不用動手寫 CRON job。Firecrawl 團隊在 6 月 20 日的部落格文章裡，分享了他們實際使用 Cursor Automations 的心得，並示範如何搭配 Firecrawl MCP，讓代理取得即時的網頁資料。
與一般 agent 工具的關鍵差異：程式跑在雲端
Automations 最不一樣的地方在部署架構——agent 不是落在你自己的伺服器上，而是直接部署到 Cursor 的雲端環境。這帶來幾個很實際的優點：
- 手機就是控制台：任務在雲端執行，透過手機上的 Cursor Web 就能啟動任務、查看結果，筆電不必隨身帶著。
- 觸發來源豐富：排程（每小時、每日、每週）之外，還支援 GitHub/GitLab（PR、push、workflow 完成）、Slack（訊息、反應）、Sentry（issue 事件）、Linear（issue 建立或狀態變更）、Webhooks、PagerDuty 等觸發條件。
- 不懂程式也用得起來：Firecrawl 的 Chief of Staff Mark Mercer 沒有任何寫程式經驗，只花 30 分鐘就設定好他的第一個 Automation。
在 Firecrawl 內部，Automations 已經成為日常工作的一部分。Growth Marketing Lead Hiba Fathima 就維護著幾條自動化流程：產品 changelog 一發布，Automation 便掃過既有部落格文章，把過時的 API 限制或已棄用功能挑出來，排入編輯建議的待辦；另一條流程用 Firecrawl Monitor 盯著競爭對手的定價頁與 changelog，一出現變動就自動把摘要丟進 Slack；還有一條負責內部互鏈——新文章上線時掃描其他文章，找出合適的互鏈機會並直接開 PR。
反應式與排程式：兩種典型用法
實務上，Automations 的應用大致可以歸成兩類。
反應式 Automations 由事件帶動，例如 PR 開啟、Slack 收到訊息、Sentry 發出警報。其中槓桿效益最高的兩個場景，是程式碼審查與 bug 回報分類。Cursor 工程師 Lee Robinson 分享，Cursor 自己的 Slack 頻道裡已有機器人在解決客戶問題、重現並驗證修復。這種需求過去得自己寫 SDK 整合，現在靠 Automations 不必寫任何程式。
排程式 Automations 則是用 UI 開關取代 CRON job。以資料管線為例：傳統做法是寫好 scraper、部署到伺服器、再設定 CRON，selector 一壞就演變成緊急事件。Automations 的 agent 在任務執行當下會自己檢視資料，就算 selector 失效，整個排程照樣跑。對沒有後端工程師的團隊來說，DevOps 這道瓶頸就這樣消失了。
成本由模型決定：關不掉的 Max Mode
Automations 預設以 Max Mode 執行，context window 會拉到該模型支援的上限，而且沒有開關可以關閉。換句話說，選了哪個模型，就同時決定了品質與花費。Firecrawl 的作者提到，他最初幾次用 GPT-5.5 測試，就燒掉超過 $0.40 的 Cursor credits，換成較便宜的模型之後才壓下來。
可選的模型家族包括 OpenAI 的 GPT 系列（GPT-5.5、GPT-5.3 Codex）、Anthropic 的 Claude 系列（Claude 4.6 Sonnet、Opus 4.8）、Google 的 Gemini 系列（Gemini 3.1 Pro、3.5 Flash）、xAI 的 Grok Build 0.1，以及 Cursor 自家的 Composer 2.5。各家模型的 context window 相差懸殊，好在 Automations 內建記憶機制，中途換模型也能接續狀態。
省錢的另一個關鍵是 Firecrawl MCP。按照 Firecrawl 的說法，相較於把原始 HTML 直接餵給模型，改用 Firecrawl MCP 大約能省下 94% 的 input tokens。也就是說，就算選了單價高的模型，網頁資料這一塊的成本照樣壓得住。
接上 Firecrawl MCP，讓代理讀到最新網頁
許多 AI agent 的通病是訓練資料有截止日期，問不到最新的資訊。Firecrawl MCP 的價值在於，讓 Cursor Automations 每次執行時都抓得到最新頁面、搜尋結果與結構化資料。設定的入口在 Automation 的「Add Tool or MCP」，把 Firecrawl 的 server URL（格式為 https://mcp.firecrawl.dev/<your-firecrawl-api-key>/v2/mcp）加進去，再於指令中要求 agent 以 Firecrawl 進行網頁存取。server URL 的格式如下：
https://mcp.firecrawl.dev/<your-firecrawl-api-key>/v2/mcpFirecrawl 提供的工具涵蓋 web search、scraping、browser interactions、crawling 與 site monitoring。舉例來說，指令可以這樣下：「找出 SaaS 產業前 10 大技術行銷關鍵字，以 JSON 回傳，並使用 firecrawl 進行網頁存取。」接著 agent 會自行啟動環境、解讀指令、呼叫 Firecrawl 把任務完成。原始的英文指令範例如下：
Extract the top 10 technical marketing keywords specifically for the SaaS industry. Return the information as JSON. Use firecrawl for web access.動手建立第一個 Automation
從 Cursor Desktop App 或 cursor.com/automations 開啟 Automations 介面，按下「New Automation」，然後依序：
- 幫 Automation 取名，並決定要不要連接 GitHub repository。
- 在「Agent Instructions」用自然語言寫下任務內容，例如「解釋這個 PR 的變更內容，並把摘要送到 #cursor-alerts Slack 頻道」。
- 挑選模型（動手前先看定價頁，Max Mode 會把成本放大）。
- 設定觸發器（例如 GitHub PR 開啟）與目的地（例如 Slack）。
- 存檔後，用真實事件跑一次測試。
Agent Instructions 裡同樣可以用 /explain 這類斜線指令。以 PR 審查摘要為例，官方範例的寫法是：
/explain the pull request and what's changing in the code. Send a summary in the #cursor-alerts Slack channelFirecrawl 的作者建議，第一次測試先挑便宜的模型（例如 Composer 2.5），等流程驗證沒問題，再考慮往上升級。
使用前該知道的限制
方便歸方便，Automations 的成本高於傳統 CRON job，加上 Max Mode 關不掉，模型選擇就成了唯一能動的成本開關。此外，整個系統依附在 Cursor 的雲端基礎設施上——如果你的工作流程需要高度客製化的執行環境，或對資料落地有嚴格要求，可能還是得自行部署 agent。Firecrawl 的文章也提醒，Automations 的觸發器與 MCP 工具生態仍在快速擴張，建議從一件高頻率、低風險的任務起步，先試水溫再放大。
對產品開發者而言，Cursor Automations 真正的價值是把「寫 agent」變成「設定 agent」，讓非技術團隊也能走進自動化的世界。再搭配 Firecrawl MCP，不必寫任何爬蟲，AI 代理就能持續取得最新網頁資料——行銷、競爭情報、內容維護這類場景尤其受惠。