Intégration du serveur MCP Apache Airflow

Que fait le serveur MCP “Apache Airflow” ?

Le serveur MCP Apache Airflow est un serveur Model Context Protocol (MCP) qui agit comme un pont entre les assistants IA et les instances Apache Airflow. En encapsulant l’API REST d’Apache Airflow, il permet aux clients MCP et aux agents IA d’interagir avec Airflow de manière standardisée et programmatique. Grâce à ce serveur, les développeurs peuvent gérer les DAGs (Directed Acyclic Graphs) d’Airflow, surveiller les workflows, déclencher des exécutions et réaliser diverses tâches d’automatisation de workflow. Cette intégration simplifie les workflows de développement en permettant aux outils pilotés par l’IA d’interroger l’état des pipelines de données, d’orchestrer des tâches et de modifier directement les configurations de workflow via MCP. Le serveur s’appuie sur la bibliothèque officielle du client Apache Airflow pour garantir la compatibilité et assurer une interaction robuste entre les écosystèmes IA et l’infrastructure de données propulsée par Airflow.

Liste des prompts

Aucun modèle de prompt explicite n’est documenté dans les fichiers ou contenus du dépôt.

Liste des ressources

Aucune ressource MCP explicite n’est documentée dans le contenu du dépôt ou le README.

Liste des outils

• Lister les DAGs
  Permet aux clients de récupérer la liste de tous les DAGs (workflows) gérés par l’instance Airflow.
• Détails d’un DAG
  Récupère les informations détaillées sur un DAG spécifique identifié par son ID.
• Mettre en pause un DAG
  Met un DAG en pause, empêchant les exécutions planifiées jusqu’à sa réactivation.
• Débloquer un DAG
  Réactive un DAG, permettant la reprise des exécutions planifiées.
• Mettre à jour un DAG
  Met à jour la configuration ou les propriétés d’un DAG spécifique.
• Supprimer un DAG
  Supprime un DAG spécifique de l’instance Airflow.
• Obtenir le code source d’un DAG
  Récupère le code source ou le contenu du fichier d’un DAG donné.
• Modifier plusieurs DAGs (Patch)
  Applique des mises à jour à plusieurs DAGs lors d’une seule opération.
• Reparser un fichier DAG
  Déclenche le re-parsing d’un fichier DAG par Airflow, utile après des modifications de code.
• Lister les exécutions de DAG
  Liste toutes les exécutions pour un DAG spécifique.
• Créer une exécution de DAG
  Déclenche une nouvelle exécution pour un DAG spécifique.
• Détails d’une exécution de DAG
  Récupère les informations détaillées d’une exécution particulière de DAG.

Cas d’usage de ce serveur MCP

• Orchestration automatisée de workflows
  Les développeurs peuvent utiliser des agents IA pour planifier, déclencher et surveiller les workflows Airflow de manière programmatique, réduisant les interventions manuelles et augmentant l’automatisation.
• Gestion et versioning des DAGs
  Les assistants IA peuvent aider à gérer, mettre en pause, débloquer et mettre à jour les DAGs, facilitant la gestion des cycles de vie et des évolutions de pipelines complexes.
• Monitoring et alertes de pipelines
  Le serveur permet aux outils IA d’interroger l’état des exécutions de DAG, permettant un monitoring proactif et des alertes sur les échecs ou réussites des workflows.
• Modification dynamique des DAGs
  Permet la mise à jour ou le patch dynamique des DAGs selon les besoins en temps réel, comme la modification d’horaires ou de paramètres.
• Inspection du code source et débogage
  Les outils IA peuvent récupérer les fichiers source des DAGs pour revue de code, débogage ou contrôles de conformité directement depuis l’instance Airflow.

Comment le configurer

Windsurf

1. Assurez-vous d’avoir Node.js et Windsurf installés sur votre machine.
2. Localisez le fichier de configuration de Windsurf (souvent windsurf.config.json).
3. Ajoutez le serveur MCP Apache Airflow à la section mcpServers :

   {
     "mcpServers": {
       "apache-airflow": {
         "command": "npx",
         "args": ["@yangkyeongmo/mcp-server-apache-airflow@latest"]
       }
     }
   }
   

4. Enregistrez le fichier de configuration.
5. Redémarrez Windsurf et vérifiez que le serveur MCP Airflow se charge correctement.

Exemple de sécurisation des clés API :

{
  "mcpServers": {
    "apache-airflow": {
      "command": "npx",
      "args": ["@yangkyeongmo/mcp-server-apache-airflow@latest"],
      "env": {
        "AIRFLOW_API_KEY": "votre-cle-airflow"
      },
      "inputs": {
        "api_url": "https://votre-instance-airflow/api/v1/"
      }
    }
  }
}

Claude

1. Vérifiez que Node.js est installé et que le fichier de configuration de Claude est accessible.
2. Modifiez le fichier de configuration pour inclure le serveur MCP Apache Airflow.
3. Utilisez l’extrait JSON suivant :

   {
     "mcpServers": {
       "apache-airflow": {
         "command": "npx",
         "args": ["@yangkyeongmo/mcp-server-apache-airflow@latest"]
       }
     }
   }
   

4. Enregistrez et redémarrez Claude.
5. Vérifiez la connexion et le bon fonctionnement.

Cursor

1. Vérifiez l’installation de Node.js.
2. Ouvrez le fichier de configuration de Cursor.
3. Ajoutez :

   {
     "mcpServers": {
       "apache-airflow": {
         "command": "npx",
         "args": ["@yangkyeongmo/mcp-server-apache-airflow@latest"]
       }
     }
   }
   

4. Enregistrez et redémarrez Cursor.
5. Vérifiez l’intégration du serveur MCP.

Cline

1. Installez Node.js si ce n’est pas déjà fait.
2. Accédez au fichier de configuration de Cline.
3. Ajoutez :

   {
     "mcpServers": {
       "apache-airflow": {
         "command": "npx",
         "args": ["@yangkyeongmo/mcp-server-apache-airflow@latest"]
       }
     }
   }
   

4. Enregistrez et redémarrez Cline.
5. Vérifiez la connexion au serveur MCP.

Remarque : Sécurisez vos clés API Airflow à l’aide de variables d’environnement comme montré dans l’exemple Windsurf ci-dessus.

Comment utiliser ce MCP dans vos flows

Utilisation du MCP dans FlowHunt

Pour intégrer des serveurs MCP à votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et reliez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section configuration du MCP système, insérez les informations de votre serveur MCP au format JSON suivant :

{
  "apache-airflow": {
    "transport": "streamable_http",
    "url": "https://votreserveurmcp.exemple/cheminduMCP/url"
  }
}

Une fois configuré, l’agent IA peut utiliser ce MCP comme outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “apache-airflow” par le nom réel de votre serveur MCP et de mettre l’URL correspondant à votre serveur.

Récapitulatif

Notre avis

Le serveur MCP Apache Airflow fournit des outils puissants pour la gestion et l’automatisation des workflows, mais manque de documentation sur les modèles de prompt et les ressources MCP explicites. Son installation est simple, la licence MIT et le développement actif sont des points positifs. Cependant, l’absence de documentation sur le sampling et les fonctionnalités roots limite légèrement sa portée pour les workflows LLM agentiques.

Score MCP