$ loading_
让 AI 通过 Airflow REST API 查看并操作 DAG、任务运行与日志。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"Airflow MCP" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请通过 Airflow MCP 查看名为 daily_etl 的 DAG 最近三次运行状态，并总结是否有失败。
返回最近三次 DAG 运行结果，并给出失败情况概述。
请用 Airflow MCP 找出 sales_pipeline 最近一次失败运行中的失败 task instance，并查看相关日志要点。
列出失败任务实例，并摘录有助于排查问题的日志信息。
请通过 Airflow MCP 触发 report_refresh 这个 DAG，然后持续检查本次 DAG run 和各任务实例状态。
触发指定 DAG，并返回运行进度与任务状态更新。
运维或开发人员可以让 AI 直接查看 DAG 与 DAG run 状态，快速了解调度任务是否正常执行。适合日常巡检和异常发现。
当 Airflow 任务失败时，用户可通过该工具让 AI 查看 task instances 和日志，缩短排查时间。适合处理数据管道或批处理任务异常。
需要对 DAG 进行操作时，团队可以通过这个 MCP 服务器把 Airflow REST API 暴露给 AI 代理。这样可在对话中完成查看与操作流程。
它是一个 Model Context Protocol 服务器，把 Apache Airflow 的 REST API 暴露给 AI 代理使用。AI 因此可以查看并操作 DAG、DAG runs、task instances 和日志。
根据描述，它可处理 DAG、DAG runs、task instances 和日志。给定信息没有提到其他对象能力。
给定素材未提供安装步骤或前置条件。具体配置方式见源码仓库。
连接 Apache Airflow 接口，查询工作流状态并触发 DAG 运行与健康检查。
只读监控 Apache Airflow DAG 运行状态、历史执行与性能指标。
用于查看与操作 Airflow DAG、任务运行、日志及触发清理流程。
通过 AI 代理管理 Akiflow 的任务、项目与日历
帮助用户用 MCP 连接 AI 代理与多种服务，搭建自动化工作流。
帮助你通过 AI 监控、管理并排查 Prefect 工作流与资源问题