Cursor 在 2026 年推出了 Automations，讓團隊可以用自然語言建立、排程並部署 agentic 任務，而且預設跑在 Cursor 的雲端基礎設施上。對產品開發者來說，這代表你不需要自己養 DevOps 或寫 CRON job，就能把重複性的工作交給 AI 代理處理。Firecrawl 團隊在 6 月 20 日的部落格文章中，分享了他們實際使用 Cursor Automations 的經驗，也說明了如何搭配 Firecrawl MCP 讓代理取得即時網頁資料。
為什麼 Automations 不只是另一個 AI agent 工具
Cursor Automations 的核心差異在於部署架構：你的 agent 不是跑在自己的伺服器上，而是部署到 Cursor 的雲端。這帶來幾個實際好處：
- 隨時隨地啟動與查看結果：因為 agent 在雲端執行，你可以從手機上的 Cursor Web 啟動任務或查看結果，不需要帶著筆電。
- 觸發器多樣：除了排程（每小時、每日、每週），Automations 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。
- 非技術人員也能上手：Firecrawl 的 Chief of Staff Mark Mercer 完全沒有寫程式經驗，卻在 30 分鐘內設定好第一個 Automation。
Firecrawl 團隊內部已經把 Automations 融入日常工作。Growth Marketing Lead Hiba Fathima 就跑了幾個自動化流程：每次產品 changelog 發布後，Automation 會掃描既有部落格文章，找出過時的 API 限制或已棄用的功能，並排隊提出編輯建議；另外還有用 Firecrawl Monitor 監看競爭對手的定價頁和 changelog，有變動就自動把摘要丟到 Slack；新文章上線時，Automation 會掃描其他文章，找出自然的互鏈機會並開 PR。
兩種主要使用模式：反應式與排程式
Cursor Automations 的應用大致分成兩類。
反應式 Automations 由事件觸發，例如 PR 開啟、Slack 訊息、Sentry 警報。最常見的兩個高槓桿場景是程式碼審查和 bug 回報分類。Cursor 工程師 Lee Robinson 提到，Cursor 自己的 Slack 頻道已經有機器人在解決客戶問題、重現並確認修復。以前這需要自己寫 SDK 整合，現在用 Automations 不用寫程式就能做到。
排程式 Automations 則是用 UI 切換取代 CRON job。例如資料管線：傳統上你要寫 scraper、部署到伺服器、設定 CRON，selector 一壞就是緊急事件。但 Automations 的 agent 在任務執行時會自己看資料，selector 壞了也不影響整個排程。對沒有後端工程師的團隊來說，這省去了 DevOps 的瓶頸。
成本與模型選擇：Max Mode 是最大的成本槓桿
Automations 預設以 Max Mode 執行，這會把 context window 延伸到模型支援的上限，而且無法關閉。因此你選的模型直接決定品質和成本。Firecrawl 的作者提醒，他前幾次用 GPT-5.5 測試，就花了超過 $0.40 的 Cursor credits，後來換成較便宜的模型才降下來。
支援的模型家族包括 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。不同模型的 context window 差異很大，但 Automations 有記憶機制，換模型時可以保留狀態。
實務上，Firecrawl MCP 可以大幅降低 token 成本。根據 Firecrawl 的說法，使用 Firecrawl MCP 比直接餵原始 HTML 給模型，能減少約 94% 的 input tokens。也就是說，即使模型本身很貴，網頁資料這部分的成本還是可以控制住。
用 Firecrawl MCP 讓 agent 取得即時網頁資料
很多 AI agent 的問題是訓練資料有截止日期，拿不到最新資訊。Firecrawl MCP 可以讓 Cursor Automations 在每次執行時抓取最新頁面、搜尋結果和結構化資料。設定方式很簡單：在 Automation 的「Add Tool or MCP」中，加入 Firecrawl 的 server URL（格式為 https://mcp.firecrawl.dev/<your-firecrawl-api-key>/v2/mcp），然後在指令中告訴 agent 使用 Firecrawl 進行網頁存取。server URL 的格式如下：
https://mcp.firecrawl.dev/<your-firecrawl-api-key>/v2/mcpFirecrawl 提供的工具包括 web search、scraping、browser interactions、crawling 和 site monitoring。例如，你可以在指令中寫：「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。」agent 就會啟動環境、解讀指令、呼叫 Firecrawl 完成任務。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.實際建一個 Automation 的步驟
從 Cursor Desktop App 或 cursor.com/automations 進入 Automations 介面，點「New Automation」。接著：
- 設定 Automation 名稱，選擇是否連接 GitHub repository。
- 在「Agent Instructions」用自然語言描述任務，例如「解釋這個 PR 的變更內容，並把摘要送到 #cursor-alerts Slack 頻道」。
- 選擇模型（記得先看定價頁，因為 Max Mode 會放大成本）。
- 加入觸發器（例如 GitHub PR 開啟）和目的地（例如 Slack）。
- 儲存後，實際觸發事件測試。
在 Agent Instructions 裡也可以用 /explain 這類斜線指令。以 PR 審查摘要為例，官方範例是這樣寫的：
/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，第一次測試先用便宜的模型（例如 Composer 2.5），確認流程沒問題後再考慮升級。
值得注意的限制
Cursor Automations 雖然方便，但成本比傳統 CRON job 高，而且 Max Mode 無法關閉，模型選擇變成唯一的成本控制手段。另外，Automations 依賴 Cursor 的雲端基礎設施，如果你的工作流程需要高度客製化的執行環境或嚴格的資料落地要求，可能還是需要自己部署 agent。Firecrawl 的部落格文章也提醒，Automations 的觸發器和 MCP 工具生態還在快速成長，建議先從一個高頻率、低風險的任務開始試水溫。
對產品開發者來說，Cursor Automations 的價值在於把「寫 agent」變成「設定 agent」，讓非技術團隊也能參與自動化流程。搭配 Firecrawl MCP，你可以在不寫爬蟲的情況下，讓 AI 代理持續取得最新網頁資料，這對行銷、競爭情報、內容維護等場景特別實用。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。