Apache Airflow MCP 服务器集成

“Apache Airflow” MCP 服务器有什么作用？

Apache Airflow MCP 服务器是一个模型上下文协议（MCP）服务器，它作为 AI 助手与 Apache Airflow 实例之间的桥梁。通过封装 Apache Airflow 的 REST API，使 MCP 客户端和 AI 代理能够以标准化、可编程的方式与 Airflow 交互。开发者可以通过此服务器管理 Airflow DAG（有向无环图）、监控工作流、触发运行以及执行各种工作流自动化任务。该集成通过允许 AI 驱动工具查询数据管道状态、编排任务和直接通过 MCP 修改工作流配置，简化了开发流程。服务器利用官方 Apache Airflow 客户端库，确保兼容性并实现 AI 生态与 Airflow 数据基础设施之间的高效交互。

提示词列表

在可用文件或仓库内容中未记录明确的提示词模板。

资源列表

在仓库内容或 README 中未记录明确的 MCP 资源。

工具列表

• 列出 DAG 允许客户端检索 Airflow 实例管理的所有 DAG（工作流）列表。
• 获取 DAG 详情 获取指定 ID 的 DAG 的详细信息。
• 暂停 DAG 暂停指定 DAG，暂停期间不再调度运行。
• 恢复 DAG 恢复指定 DAG，允许其重新开始调度执行。
• 更新 DAG 更新指定 DAG 的配置或属性。
• 删除 DAG 从 Airflow 实例中移除指定 DAG。
• 获取 DAG 源代码 获取给定 DAG 的源代码或文件内容。
• 批量更新 DAG 一次性对多个 DAG 应用更新操作。
• 重新解析 DAG 文件 触发 Airflow 重新解析 DAG 文件，适用于代码变更后。
• 列出 DAG 运行 列出指定 DAG 的所有运行实例。
• 创建 DAG 运行 触发指定 DAG 的新运行。
• 获取 DAG 运行详情 获取特定 DAG 运行的详细信息。

本 MCP 服务器的使用场景

• 自动化工作流编排 开发者可通过 AI 代理以编程方式调度、触发和监控 Airflow 工作流，减少手动干预并提升自动化程度。
• DAG 管理与版本控制 AI 助手可协助管理、暂停、恢复和更新 DAG，便于应对复杂的管道生命周期和变更。
• 管道监控与告警 服务器允许 AI 工具查询 DAG 运行状态，实现对工作流失败或成功的主动监控与告警。
• 动态 DAG 修改 支持根据实时需求动态更新或修补 DAG，如更改调度或参数等。
• 源代码检查与调试 AI 工具可直接从 Airflow 实例检索 DAG 源文件，用于代码审查、调试或合规检查。

如何设置

Windsurf

1. 确保您的机器已安装 Node.js 和 Windsurf。
2. 找到 Windsurf 配置文件（通常为 windsurf.config.json）。
3. 在 mcpServers 部分添加 Apache Airflow MCP 服务器：

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

4. 保存配置文件。
5. 重启 Windsurf 并验证 Airflow MCP 服务器是否加载成功。

API 密钥安全示例：

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

Claude

1. 确保已安装 Node.js 并可访问 Claude 的配置文件。
2. 编辑配置文件以包含 Apache Airflow MCP 服务器。
3. 使用以下 JSON 片段：

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

4. 保存并重启 Claude。
5. 确认连接和功能可用。

Cursor

1. 验证 Node.js 安装。
2. 打开 Cursor 的配置文件。
3. 添加：

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

4. 保存并重启 Cursor。
5. 检查 MCP 服务器集成情况。

Cline

1. 如未安装 Node.js，请先安装。
2. 定位到 Cline 的配置文件。
3. 插入：

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

4. 保存并重启 Cline。
5. 验证 MCP 服务器连接。

注意： 请参照 Windsurf 示例，通过环境变量安全地存储 Airflow API 密钥。

在流程中如何使用 MCP

在 FlowHunt 中使用 MCP

要将 MCP 服务器集成到您的 FlowHunt 工作流，首先在流程中添加 MCP 组件并将其连接到您的 AI 代理：

点击 MCP 组件打开配置面板。在系统 MCP 配置部分，使用以下 JSON 格式填写您的 MCP 服务器信息：

{
  "apache-airflow": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

配置完成后，AI 代理即可作为工具使用此 MCP，并访问其全部功能和能力。请记得将 “apache-airflow” 替换为您的 MCP 服务器实际名称，并将 URL 替换为您的服务器地址。

概览

我们的看法

Apache Airflow MCP 服务器为工作流管理和自动化提供了强大工具，但在提示词模板和显式 MCP 资源文档方面有所欠缺。其设置过程简便，MIT 许可和活跃维护是优势。不过，采样和根特性文档的缺失在一定程度上限制了其在智能体 LLM 流程中的应用范围。

MCP 评分