airflow-adapter

作者： astronomer

Airflow 適配器模式，用於 v2/v3 API 相容性。在處理適配器、版本偵測或新增需跨版本運作的 API 方法時使用。

npx skills add https://github.com/astronomer/agents --skill airflow-adapter
下載 ZIPGitHub
448

Airflow Adapter Pattern

Enables compatibility with both Airflow 2.x (/api/v1) and 3.x (/api/v2).

Architecture

MCP Tool → _get_adapter() → AirflowV2Adapter or AirflowV3Adapter → Airflow API

Version is auto-detected at startup.

Key Files

  • adapters/base.py - Abstract interface
  • adapters/airflow_v2.py - Airflow 2.x (/api/v1)
  • adapters/airflow_v3.py - Airflow 3.x (/api/v2)

Related Files

  • @api-differences.md - V2 vs V3 field/endpoint differences
  • @patterns.md - Implementation patterns

Quick Reference

adapter = _get_adapter()
dags = adapter.list_dags(limit=100)
run = adapter.trigger_dag_run("my_dag", conf={"key": "value"})

來自 astronomer 的更多技能

airflow-state-store
astronomer
Persists task and asset state across retries and DAG runs using Airflow 3.3's AIP-103 key/value stores (`task_state_store`, `asset_state_store`) and the…
creating-openlineage-extractors
astronomer
為不支援的Airflow運算子及複雜血緣場景設計的自訂OpenLineage提取器。提供兩種方法：直接在你擁有的運算子中加入OpenLineage方法（建議做法），或為無法修改的第三方運算子建立自訂提取器。提取器在三個時間點攔截運算子執行：執行前取得靜態血緣、成功後取得執行階段決定的輸出、以及選擇性地在失敗後取得部分血緣。可透過airflow.cfg或環境變數註冊提取器...
debugging-dags
astronomer
針對失敗的 Airflow DAG 進行系統性根本原因分析與修復，並提供結構化的調查流程。引導完成四個階段的診斷步驟：識別失敗、提取錯誤細節、收集背景資訊，以及提供可行的修復步驟。將失敗分為四種類型（資料、程式碼、基礎設施、相依性），以聚焦調查並建議適當的修正方式。提供可直接使用的 CLI 指令，用於日誌擷取、執行比較、任務清除與 DAG...
delegating-to-otto
astronomer
驅動 Astronomer 的 Otto 代理
deploying-airflow
astronomer
部署 Airflow DAG 和專案。當使用者想要部署程式碼、推送 DAG、設定 CI/CD、部署到生產環境，或詢問部署策略時使用…
deploying-go-sdk-bundles
astronomer
建置、打包並部署已編譯的 Airflow Go SDK 套件，以便 ExecutableCoordinator 能執行它們。當使用者想要編譯 Go 任務套件、要求…時使用。
testing-dags
astronomer
針對Airflow DAG的反覆測試-除錯-修復循環，提供全面的失敗診斷。從af runs trigger-wait <dag_id>開始執行DAG並等待完成，無需預先檢查。失敗時，使用af runs diagnose獲取完整的失敗摘要，並透過af tasks logs檢查特定任務的錯誤細節。支援自訂配置、超時設定與重試機制；能處理成功、失敗及超時情境，並提供清晰的回應解讀。快速驗證功能亦已就緒...
tracing-downstream-lineage
astronomer
追蹤下游資料血緣，在修改資料表或DAG前評估變更影響。透過原始碼搜尋、檢視相依性及BI工具連線，識別目標資料表或DAG的直接消費者。建立完整的相依性樹狀圖，繪製從資料表到儀表板再到機器學習模型的所有下游影響。依關鍵性（關鍵、高、中、低）分類相依性，以優先處理利害關係人溝通與測試。產出包含風險評估、受影響範圍的影響報告。