实战分享：生产级AI Agents 7天内上线完成网站主页/域名/Agent Workflow/ 部署和出海打榜

大家好！最近我一直在忙着推进两个生产级 AI Agent 项目，现在它们都已经正式上线。打榜发布在 Product Hunt 上（其中一个首日就在 200+ 产品中冲到了Day Rank 第 36 名 ），并且已经开始稳定承接用户流量啦。今天想和大家分享一下，我是如何从 0 到 1 构建这两个 AI Agent 的，包括技术选型、落地经验，以及如何把想法快速变成真正可用的产品。另外，我也会简单总结一下目前的运维成本情况。首先想说明的是：这两个项目并不是那种Vibe Coded 临时拼凑、赶工几小时做出来的 Demo。即便如此，从构思、设计、编码、部署到调试，一周内全部跑通，速度还是远超预期。

项目一：Craftsman-Agent (部署地址: https://craftsman-agent.aiagenta2z.com)

这是一个可以把一句话提示词，直接变成可执行的 3D 组装方案与分步教程的 AI Agent。

适用场景包括：

1. 乐高搭建指南（例如：“如何搭建一艘蓝白配色的乐高游艇？”）

2. Minecraft 建筑教程（例如：“用红色积木做一个乐高 F1 赛车”）

3. 特斯拉3D车衣Car Wrap 设计预览

目标用户主要是游戏爱好者、亲子家庭、3D 设计师和创意原型工作者，帮助大家把脑洞快速变成可落地的建造方案。

项目二：CoachOwl Agent Timetable (https://coachowl.aiagenta2z.com/)

这是一个 AI Agent 日程管理与协作工具，可以理解为“人类 + AI Agent 协同时间表”。

你可以：

设定长期目标（健身、职业发展、学习等）

将任务分配给 人类或 AI Agent（支持 Codex / Claude / Gemini 等）

自动编排日程，打通日历与执行流程

非常适合用来做个人成长管理、团队协作规划，甚至 AI 驱动的项目执行。

技术栈总结

后端服务: Python / Node.js、FastAPI、Pnpm Serve大模型: Gemini / OpenAI / Qwen，以及 3D 渲染相关 APIAPI 接入: DeepNLP OneKey Gateway（托管 Google 搜索、营养计算、Gemini Nano Banana 图像识别等）

Deployment & Hosting 部署与托管： AI Agent A2Z 平台（每个账号免费提供一个域名和一个项目，*.aiagenta2z.com）

编码 Agent: Claude / Codex
可以看到，这两个都是功能完整、可直接使用的应用，涵盖了：

官网部署与前端交互

AI Agent 工具调用（Tool Use）

3D 渲染与建模

多种 API 集成（如 USDA 食品数据、图像识别、3D 重建等）

如果你也在做 AI Agent 相关的产品，或者对如何从想法快速落地成可用应用感兴趣，欢迎一起交流探讨

Craftsman Agent 工匠智能体：把创意秒变 3D 搭建指南

开发和设计

这个项目的官网首页，借助 Claude Code / Codex，只花了几分钟就搭建完成了。 真正的重头戏在于核心 AI Agent 工作流——也就是把文本提示词转化为 3D 搭建指令的过程。这部分因为没有现成的免费 API 可用，逻辑也比较复杂，我大概花了 3 天 才搞定。

简单来说，整个 Agent 的工作流是这样的：

文本提示词（Prompt） + 用户上传图片 → 生成 3D 零件清单 JSON → 调用 3D 渲染 API

举个例子，如果你想搭建一艘乐高游艇，Agent 会先生成包含几十到几百个零件的数据结构，然后再调用渲染接口，把这些数据变成可视化的 3D 模型文件。

Agent 工作流

文本生成 3D 搭建方案教程
以生成一艘 3D 乐高船为例，Agent 需要产出一份包含 10 到 1000 个零部件的详细清单，其数据格式如下。将大语言模型（LLM）生成的 3D 模型数据转换为具体的渲染指令，通常还需要多次调用 3D 渲染 API 才能完成。此外，原生 LLM 生成的 3D 文件其实质量比较一般，因此在实际应用中，往往还需要配合 SFT（监督微调) 和 Few-shot（少样本示例) 来优化和提升最终的设计效果。

[
    {
        "color": "red",
        "size": [
            4.0,
            2.0,
            1
        ],
        "position": [
            2,
            1,
            0.5
        ],
        "part_id": 3020,
        "part_name": "Plate 2x4",
        "image": "M3020",
        "categories": "Basic, Architectural, Transportation, Space, Plate, Solid Studs"
    },
    {
        "color": "red",
        "size": [
            2.0,
            1.0,
            1
        ],
        "position": [
            1,
            2,
            1.5
        ],
        "part_id": 3023,
        "part_name": "Plate 1x2",
        "image": "M3023",
        "categories": "Basic, Architectural, Transportation, Space, Plate, Solid Studs"
    },
]

大模型LLM 与 API 调用

这里基于 DeepNLP OneKey Agent Gateway，主要调用 Gemini LLM 断点 与 3D 构建渲染 API，构建好tools的定义和OneKey Access 验证，避免每个API都重新申请Access Key.  

服务端 / API / Skills / MCP

后端架构：采用 Python + FastAPI 构建，提供统一的接口服务。支持能力：同时对外暴露 MCP（模型上下文协议）、Skills（技能） 以及 CLI（命令行工具） 的 API 端点。代码状态：核心服务端代码暂未开源，但已封装好的 Skills和 CLI 工具均已注册至 OneKey Gateway，可直接调用。计费机制：内置 PayPal 支付回调接口，针对每一次成功生成的 3D 组装方案进行按需计费（Pay-per-use）。

app = Starlette(
    routes=[
        Route("/chat", chat_endpoint, methods=["POST"]),   # New Chat Endpoint
        Mount("/static", app=StaticFiles(directory= STATIC_DIR.resolve() , html=True), name="static"),
        Mount("/assets", app=StaticFiles(directory= ASSETS_DIR.resolve(), html=True), name="assets"),
        Route("/api/v1/generate_minecraft_build_plan", api_generate_minecraft_build_plan, methods=["POST"]),
        Route("/api/v1/generate_lego_build_plan", api_generate_lego_build_plan, methods=["POST"]),
        Route("/api/v1/generate_tesla_wraps", api_generate_tesla_wraps_build_plan, methods=["POST"]),
        Route("/paypal/agent/purchase/callback", paypal_webhook, methods=["POST"]),
        Mount("/", app=mcp_app),  ## MCP Endpoint Always mounts /mcp
    ],
    lifespan=lifespan,
)

网站部署域名服务

Website: 主页网站基于 Typescript JS搭建，支持 /static 静态文件比如 index.html/styles.css等等和 /image 图片展示 模板地址：https://github.com/aiagenta2z/agent-mcp-deployment-templates/tree/main/quickstart/website_typescript部署文档Doc: https://deepnlp.org/doc/agent_mcp_deployment部署好之后，就可以通过访问独立子域名来查看刚刚部署的项目了。例如 https://{subdomain}.aiagenta2z.com，这里我们部署的项目首页就是 https://craftsman-agent.aiagenta2z.com

项目成本总结

成本复盘(人力耗时+成本)

CoachOwl AI Agent Timetable & Orchestration：猫头鹰教练 AI Agent 时间表编排

开发设计

webpage:  https://craftsman-agent.aiagenta2z.com

OpenSourced GitHub: https://github.com/AI-Hub-Admin/CoachOwl-Agent-Timetable

功能点

- 在线日程与时间轴：CoachOwl Agent 具备日历与时间轴功能，支持 AI 代理连接、追踪、指派及安排任务，促进人类与 AI 代理之间的无缝协作。系统完美兼容 Google 日历与 Outlook，实现跨平台同步。
- AI 代理智能编排：相比传统的消息发送，人类可通过调度与追踪，更轻松地将重复性、周期性任务委派给个人 AI 代理。适用场景包括：连续两周每日自动发送 ProductHunt 竞品分析报告、为期两周的食物卡路里分析，以及 SAT/CFA/GRE 考试备考规划。
- 目标与任务管理：用户可随时添加任务与目标（AI 教练将为您智能规划一系列周期性任务，且所有任务内容均支持自定义编辑）。
- 专属 AI 教练：拥有特定技能的 AI 教练可同时向人类及其他代理指派任务。例如：
- Fitness 教练：食物卡路里分析、图像识别。
- Career 职业教练：行业信息检索、邮件简报推送、社交媒体公告筹备及博客撰写。
- 学习教练：提供学科辅导与备考支持。
- Easy Voice Input：支持语音快捷输入、习惯追踪及 AI 任务调度，并可无缝连接 Claude Code、Codex、OpenClaw 等主流开发工具。

The AI Agent Orchestration 功能

1. 时间线与日历
该应用是使用 Codex 构建的。仅花费了 1 天 时间，我就完成了所有的数据库表结构设计、前端网页布局及交互逻辑的开发。

2. Agent 执行编排系统 Execution & Orchestration

例如，设置一个任务：“深度调研过去 7 天 Product Hunt 上的 AI Agent 发布情况，并将报告发送至我的邮箱 xxxx@gmail.com”。
Agent 的执行链路如下：

/claim task （认领任务）
    ↓
/Execution （执行任务）
    ↓
/Report Heartbeat （汇报心跳/进度）
    ↓
/Update Results （更新结果）

数据库设计、Agent编排实现：耗时 4–5 天。

本地 Agent 运行：为了让本地 Agent 能够拉取并执行任务，需要使用命令 `onekey gateway coachowl/coachowl` 从云端拉取任务队列，这额外耗费了 1 天 来完成对接与调试。

项目成本总结