$ loading_
用自然语言管理 Apache Airflow 工作流，监控 DAG、控制任务并调整配置。
该 MCP 工具材料较少，但从已知信息看，其为开源 MIT 项目、无显式密钥与无声明远程端点，整体未见明确高风险红旗。需注意其声明可管理 Airflow 工作流，结合系统已判定具备代码执行属性，默认应按本地控制与数据访问能力谨慎使用。
材料明确标注“无”需要的密钥/环境变量，未见要求 API key、token 或其他敏感凭证；基于现有材料，凭证泄露与滥用面较低。
材料标注无远程端点 host，README 也未描述向外部服务发送数据；按现有信息未见明确的用户数据外发路径，但实际运行仍应核验是否仅与本地/自托管 Airflow 交互。
系统已判定其具备 executes-code 属性，且功能描述包含 DAG 监控、任务控制与配置管理，意味着可能在本机启动进程或调用 Airflow 相关执行能力；这属于 MCP 工具常规高权限能力，需在受控环境中运行。
作为 Airflow 管理工具，其声明能力通常需要读取工作流状态、任务信息及相关配置，并可能修改任务控制或配置数据；材料未显示超出声明用途的过度授权，但具体可访问范围在 README 缺失下不可完全确认。
正面因素是其开源、可审计且采用 MIT 许可证；但来源为 third_party_registry、社区采用度为 0 star、维护状态未知且材料非常有限，因此供应链可信度中等，建议先审源码与依赖后再接入生产环境。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"MCP-Airflow-API" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请列出过去 24 小时内失败或运行超时的 Airflow DAG，并按失败次数排序，附上最近一次运行时间。
返回异常 DAG 清单，包含失败次数、最近运行时间和状态概览。
把 today_etl 这个 DAG 最近一次运行中失败的任务列出来，并帮我逐个重试，同时报告重试结果。
输出失败任务列表、重试执行结果，以及仍未恢复的任务说明。
检查 Airflow 当前的并发与调度相关配置，说明哪些设置可能限制吞吐量，并给出可执行的优化建议。
给出关键配置项分析、潜在瓶颈说明和具体优化建议。
让 AI 通过 Airflow REST API 查看并操作 DAG、任务运行与日志。
让 AI 助手连接并操作 Langflow 工作流平台，创建、管理与自动化流程。
通过 AI 代理管理 Akiflow 的任务、项目与日历
用于查看与操作 Airflow DAG、任务运行、日志及触发清理流程。
通过 MCP 连接 Webflow 数据 API，便于查询、管理与自动化网站内容。
通过自然语言查询结构化数据，让 AI 无需 SQL 或 API 知识也能回答问题。