在这篇博客中，我们将介绍如何把开发的 AI Agent 或 MCP 服务部署并且上线获得一个免费的带子域名的 Live URL，比如 `*.aiagenta2z.com/${your_project}`.
开发文档：Agent MCP Deployment Document
部署Workspace入口：Agent Deployment Workspace
Github入口：AI Agent Marketplace Github
准备
1. 代码Code Base：已开发完成的 Python/Node.js 项目源码source code 或 GitHub 仓库的URL。
2. agent/mcp 启动入口命令 (Entry point Command)：这个命令告诉云服务如何启动Agent/MCP 服务器（例如：uvicorn server:app 或 npm start）。
3. 依赖安装：如何你的项目有依赖包，可以把依赖文件打包到压缩文件里。 Python 项目需准备 requirements.txt 文件，Node.js 项目需准备 package.json 文件。
4. AI Agent & MCP 部署托管平台：本教程使用 aiagenta2z.com x DeepNLP 平台。你可以获得一个免费的二级域名，格式如：${account}.aiagenta2z.com/${agent_name}。这个url可以直接在 ChatGPT App、Claude Code 等 AI 客户端中使用的上线 URL。
Tutorial
1. 开发 AI Agent/MCP 代码
这里准备两个实用的 Agent代码示例作为部署Deploy的Demo：
Agent 1：Google Deep Research Agent
技术栈：Google Search V2 API、Python MCP Server。
功能：包含 Google Search 和 read_webpage 工具。
环境变量 environment variables：Google Search_ACCESS_KEY
entry point 启动命令行
uvicorn server:app最终 Live MCP URL 地址：derekzz.aiagenta2z.com/solar-system_server_python/mcp
Agent 2：ChatGPT App 示例（探索太阳系 solar-system_server_python/）
技术栈：Node.js + MCP UI (参考 OpenAI 示例库)。
Live MCP URL 地址：derekzz.aiagenta2z.com/solar-system_server_python/mcp
功能：探索太阳系行星，工具包含 focus_solar_planet。
启动脚本：
pnpm run build pnpm run serve & uvicorn solar-system_server_python.main:app
2. Deployment
2.1 创建或选择部署项目
访问 DeepNLP Agent 部署工作区的 Workspace -> Agent Deployment，或者直接访问URL (https://deepnlp.org/workspace/deploy)。
你可以选择现有项目或创建一个新的 AI service 项目（填写项目名称和元数据）。每个项目都有一个唯一的 ID 格式为 user_name/project_name，就和github等一样。
最终上线 URL格式：${user_name}.aiagenta2z.com/${project_name}
MCP 端点 (Endpoint)：${user_name}.aiagenta2z.com/${project_name}/mcp
2.2 选择项目并填写启动命令行entry point
以我选择的项目为例：derekzz/solar-system_server_python。
2.3 部署配置
平台提供多种部署方式：部署 GitHub 仓库、直接上传源码、或选择模版。
2.3.1 自定义 Python/JS (以 Agent 1 为例)
我将 Google 深度搜索的代码打包为 google_deep_research_agent.tar.gz 并上传至拖拽区。
部署区域 (Deploy Region)：Global
启动脚本 (Startup Scripts)：
uvicorn server:app提示：压缩包根目录下应包含 ./server.py。云端会根据入口点命令在该目录下执行。
代码逻辑参考： 该应用是我使用 mcp 创建并挂载到 Starlette 的 StreamingHttp 应用。
mcp_app = mcp.streamable_http_app() mcp_app.routes.insert( 0, Route("/mcp", get_mcp_root_id_handler, methods=["GET"]) ) app = Starlette( routes=[ Mount("/", app=mcp_app), ], lifespan=lifespan, )
端口 (Port)：留空，云平台会自动分配端口并生成二级域名。
2.3.2 GitHub 源码 (以 Agent 2 为例)
选择 Public URL 模式
GitHub URL：https://github.com/openai/openai-apps-sdk-examples (如果你想托管私有代码，也可以授权 App 连接你的私有库，实现 Push 后自动部署)
部署区域：Global
Entry Point (Startup Scripts) ：
pnpm run build pnpm run serve & uvicorn solar-system_server_python.main:app注意点：
1. 请将所有启动命令写在同一个文本框内，它们会被作为 entry_point.sh 执行。
2. UI 构建：该示例依赖 /assets 下的 UI，必须通过 pnpm run build 生成。
3. 这个 Agent应用启动2个server：
node的server把 静态文件暴露在 4444 端口，静态文件服务器 (端口 4444)
MCP 服务器提供工具 (端口 8000)： python的服务器 ，注意这里 python文件在子目录下 ./solar-system_server_python/main.py, 所以这样启动 ”uvicorn solar-system_server_python.main:app“
后台运行：为防止第一个服务 阻塞流水线，请在 pnpm run serve 后添加 & 符号，最终命令行 "pnpm run serve &"。
2.4 执行部署
点击 Deploy 按钮。你可以在 Deployment History 中查看运行流水线运行状态。 部署过程需要一点时间，尤其是涉及从零开始的 build 命令时。
点击刷新 (Refresh)：查看状态是否从 pending（等待中）变为 live（已上线）或 off（失败）。
查看日志与调试 (Debug)：如果失败，检查日志中是否缺少依赖或 package.json 配置错误。
2.5 检查服务器状态
将生成的配置 URL 填入 Cursor、ChatGPT App（开发者模式）或其他 MCP 客户端。如果能看到定义的工具，说明部署成功！
配置文件示例
{ "mcpServers": { "solar-system-mcp": { "url": "https://derekzz.aiagenta2z.com/solar-system_server_python/mcp" }, "google-deep-research-agent": { "url": "https://derekzz.aiagenta2z.com/google-deep-research-agent/mcp" } } }完成！
