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。

准备好发展您的业务了吗？

今天开始免费试用，几天内即可看到结果。

申请演示 登录

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。

加入我们的新闻通讯

免费获取最新提示、趋势和优惠。

电子邮件地址

订阅

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