企业官网建设流程全解析

1. 为什么 Cursor Agent 写完爬虫就停住：No linter errors 之后少了什么

Cursor 的 Agent 模式生成爬虫代码后没有继续执行，这是很多人的第一感受。代码写完了，依赖检查也过了，状态栏出现 No linter errors，然后任务就悬在那里。要让 Agent 把安装依赖和运行脚本这件事做完，除了改提示词，还要看模型通道稳不稳。我现在的做法是先到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 拿一把 TaoToken 的 Key，把通道固定住，再回来调提示词。

在 Agent 模式下，Cursor 可以把多个动作串起来：分析需求、写代码、依赖检查、执行命令、读回输出来修正。但这一串动作不是永远可靠的。模型要判断“现在该继续调用工具了”，判断一旦停在生成代码后，后面所有动作都不会发生。更直接的触发点是提示词里有没有明确说“执行脚本”，以及模型通道是否给到了完整且及时的响应。

通道影响很容易被忽略。Agent 模式每走一步就消耗 token，多轮决策时如果请求变得不稳定，例如超时、返回被截断、额度被限，Cursor 会更保守地停在某个看似完整的节点。所以我处理这个问题时，会先把“模型通道”和“提示词”放在一起排查。先用一条稳定的 API 通道，再接上后面要讲的提示词修正法，双管齐下。

下面先从 Normal 模式说起，因为它的“不执行”其实是预期行为。

1.1 Agent 模式的理想流程和真实停顿

理想情况下，Agent 模式应该完成：生成脚本、检查依赖、安装依赖、运行脚本、读输出、根据输出修正脚本。真实情况下，它经常走到第三步就结束。Cursor 把“生成了一段没有语法错误的代码”当成了任务的终点，于是 No linter errors 一出现，它就认为已经交付。

这种现象不是 Cursor 独有的，模型对“任务结束点”的判断本来就带有概率性。提示词里如果只说了“写一个爬虫”，模型大概率止步于“写完”。你想要它继续跑，就需要在提示词里把执行命令也定义为任务的一部分。

1.2 模型通道不稳定会放大停顿

如果你用的模型通道经常超时或返回不全，Agent 模式的多轮规划更容易中断。因为每次调工具都要发一次请求，模型拿到响应后才能决定下一步；请求一旦失败，Cursor 又会重试或降级为等待确认，这时候你看到的现象就是“卡住不动”。把通道做得稳定一些，Agent 才更有可能完整走完决策链。这也是我建议先准备 TaoToken Key 的原因，后文会给出具体配置。

2. Normal 模式不执行是设计如此，别把它当 Bug

2.1 Normal 模式只交代码，不碰终端

Normal 模式下，Prompt 是“帮我写一个 Python 爬虫，抓取 https://www.cursor.com/changelog 的更新记录，保存为 Markdown”。Cursor 会返回代码和说明，然后停在那里。无论你是在 Composer 还是 Chat 里发，Normal 模式都不会主动执行 pip install，也不会运行脚本。它的边界就是“写代码”。

如果你只想要一段能自己拿去跑的脚本，Normal 模式够用；如果你希望 Agent 自己把脚本跑通，就要切到 Agent 模式，并在提示词里补上执行要求。

2.2 一份可以直接运行的基础爬虫脚本

为了后面对比，这里放一份功能明确、可以直接运行的脚本。页面里每个版本号作为 h2，紧跟在后面的 ul 作为该版本的更新列表，抓取后写入 changelog.md：

import requests from bs4 import BeautifulSoup from pathlib import Path CHANGELOG_URL = "https://www.cursor.com/changelog" OUTPUT_FILE = Path("changelog.md") def main(): response = requests.get(CHANGELOG_URL, timeout=15) response.raise_for_status() soup = BeautifulSoup(response.text, "html.parser") entries = [] for heading in soup.select("h2"): title = heading.get_text(strip=True) ul = heading.find_next("ul") if not ul: continue items = [li.get_text(strip=True) for li in ul.find_all("li")] entries.append((title, items)) with OUTPUT_FILE.open("w", encoding="utf-8") as fh: for title, items in entries: fh.write(f"## {title}\n\n") for item in items: fh.write(f"- {item}\n") fh.write("\n") print(f"已写入 {OUTPUT_FILE.resolve()}，共 {len(entries)} 个版本更新") if __name__ == "__main__": main()

这段代码需要 requests 和 beautifulsoup4。用 Normal 模式时，你要自己在终端执行pip install requests beautifulsoup4再运行脚本。

3. 提示词加一句，让 Agent 安装依赖并执行 changelog 脚本

3.1 从静态检查到真正执行的提示词差异

在 Agent 模式里，如果你只写“生成代码后请安装依赖，然后执行脚本”这一类明确指令，Cursor 的行为会立刻不同。关键在于把“安装依赖”“执行脚本”“输出文件”写进任务定义里，而不只是让它写代码。

你可以这样问：

写一个 Python 爬虫，抓取 https://www.cursor.com/changelog 的更新记录，保存为 changelog.md。 要求：先生成脚本，再安装 requests 和 beautifulsoup4，然后直接执行脚本，最后打印 changelog.md 的前 5 行。

这个提示词比“生成代码后请执行”更完整，把确认结果也纳入了任务，Agent 自然会把执行当成必须完成的一步。

3.2 Agent 开始安装依赖并运行脚本

用上面的提示词，Agent 会先查看当前环境缺什么依赖，然后执行 pip install，再运行脚本。此时 Cursor 的终端面板里会出现安装过程和运行结果，项目目录下会多出 changelog.md。如果脚本运行时遇到页面结构变化导致写不出内容，Agent 还会读回输出，自己调整选择器再跑一次。

到这里你能发现，Agent 模式本身具备执行能力，只是需要你在提示词里把终点推远一点。接下来要解决的问题，是这条路走得稳不稳。

4. 把 Cursor 模型通道切到 TaoToken：Settings 里填好 Base URL 和 Key

4.1 先去 TaoToken 创建 API Key

打开 TaoToken，注册登录后进入控制台，创建一个 API Key。创建好的 Key 形如一串字符，复制出来当作 YOUR_API_KEY。这就完成了拿 Key 这一步，后面所有工具配置都会用到它。

4.2 Cursor Models 面板填三样东西

打开 Cursor Settings，切到 Models 页面，找到 OpenAI API Key 和 Override OpenAI Base URL 两个输入项，分别填 Key 和 Base URL。模型 ID 不要在脑子里猜，先到 TaoToken 的模型广场看当前支持哪些模型，再回到 Cursor 的 Models 列表里手动添加。

这里要特别留意：填进 Cursor 的 Base URL 始终是 https://taotoken.net/api，不要把官网落地页链接填进去。官网地址只用来注册、创建 Key、看模型广场和用量。

4.3 换通道后 Agent 行为的变化

TaoToken 在这里提供的是一段统一接入的兼容通道。Agent 模式每次调用工具、每次决策都走同一把 Key、同一个 Base URL，请求状态更容易被 Cursor 稳定读取，避免因为通道不稳定而频繁中断在多轮决策之间。换好之后，再配合上一节的提示词，Agent 才有条件一次跑完“生成、安装、执行、出文件”的完整流程。

5. YOLO mode：让 Agent 自动执行的开关，以及别用它碰数据库

5.1 Enable YOLO mode 与白名单/黑名单

即便提示词写了“安装依赖并执行”，如果 Cursor 的自动执行权限没有放开，它还是会在每一步蹦出确认弹窗。去 Cursor Settings 里找到 Enable YOLO mode，把这个开关打开，Agent 才能在没有你逐条确认的情况下直接执行终端命令。

你还可以配置命令白名单和黑名单：把常见的安全命令放行，把危险命令放进黑名单。这样既保留自动执行，又不会让 Agent 随便碰系统级操作。很多人遇到的“配置不执行”问题，很多就是 YOLO mode 没开，或提示词和权限没有对齐。

5.2 自动执行的安全边界

YOLO mode 适合处理本地项目脚本，比如上面的爬虫。但涉及数据库、生产环境时，别让它自动执行。更稳妥的做法是：让 Agent 生成 SQL 或命令，诊断 SQL、regsvr32、编译运行这些操作由你在本地或 SQL*Plus 里执行，再把报错贴回对话继续分析。Agent 擅长生成、解释和对照代码，不应当直接连生产库做实际操作。

6. changelog.md 出现才算闭环：验证、排障和下一步

6.1 验证：看终端和文件

跑完之后，先看 Cursor 的终端面板有没有出现 pip install 和脚本运行日志，再打开项目目录确认 changelog.md 存在。文件内容应该包含版本标题和对应列表。如果文件是空的，多半是页面结构已经不是 h2 + ul，把当前页面的 HTML 片段贴回对话，让 Agent 改选择器后再跑一遍。想确认这次调用有没有被记上，回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content= 的用量页面就能看到。

6.2 排障对照：提示词没写全、401、404

跑通之后，建议去 TaoToken 模型对话 里用同一把 Key 发一条测试消息，确认模型 ID 和 Base URL 没有填错。如果打算长期写代码，可以打开 Coding Plan 看看套餐和用量是否匹配。下次再遇到 Agent 不执行，我会优先查两处：提示词里有没有把“安装依赖并执行”写成任务，以及模型通道是不是还稳定。