要部署一个外部训练的TensorFlow模型工件，可以按照以下步骤进行：

1. 准备模型工件：首先，确保已经完成了外部训练，并且生成了TensorFlow模型工件。模型工件通常包括模型文件（例如.h5或.pb文件）和模型权重文件。确保这些文件位于一个可访问的位置，例如本地文件系统或云存储。

2. 导入TensorFlow库：在部署代码中，首先要导入TensorFlow库以便加载和推理模型。可以使用以下代码导入TensorFlow库：

import tensorflow as tf

3. 加载模型：使用TensorFlow库加载模型工件。具体的加载方法取决于模型的文件格式。以下是加载.h5文件的示例代码：

model = tf.keras.models.load_model('path_to_model.h5')

如果是加载.pb文件，可以使用以下代码：

model = tf.saved_model.load('path_to_model_directory')

4. 进行推理：使用加载的模型进行推理。根据模型的输入和输出类型，可以将输入数据传递给模型并获取输出结果。以下是一个示例，假设模型的输入是一个形状为(1, 28, 28, 1)的图像：

input_data = ...  # 准备输入数据
output_data = model.predict(input_data)

5. 部署代码：根据部署需求，可以将以上代码组织为一个独立的脚本或将其集成到现有代码中。确保部署环境中已经安装了TensorFlow库以及其他代码所需的依赖项。

以上是一个基本的示例，用于部署一个外部训练的TensorFlow模型工件。根据具体的部署需求，可能还需要考虑模型的性能优化、输入数据预处理等问题。