authoring-dags – Airflow DAG 编写 Skill

Skill 详细介绍

astronomer/agents#authoring-dags 是 Astronomer 官方 agents 仓库中面向 Apache Airflow 的一个 Skill，核心用途是帮助 AI Agent 按照规范编写、修改和审查 Airflow DAG（有向无环图）代码。Airflow 是当前最主流的开源数据编排调度平台之一，DAG 是 Airflow 中最核心的代码单元，用来定义任务依赖、调度周期和任务执行逻辑。这个 Skill 做的事情，就是让 Agent 在写 DAG 时遵循 Airflow 的最佳实践，而不是生成一份能跑但风格混乱、容易踩坑的 DAG 文件。

它不是一个可以独立运行的程序，也不是 Airflow 插件、CLI 工具或部署工具。它本质上是一套面向 Airflow DAG 开发的指令与工作流集合：包含 DAG 文件结构约定、任务定义方式、依赖关系表达、调度配置写法，以及常见的反模式提醒。安装后，Agent 在处理 Airflow 相关任务时，会主动按照这套规范来组织代码，而不是每个文件都从零自由发挥。

主要能力方向包括：

– 按照标准结构创建新的 Airflow DAG 文件
– 定义 TaskFlow API 或传统 Operator 形式的任务
– 表达任务之间的依赖关系
– 配置调度周期、开始时间、重试策略、超时等 DAG 参数
– 审查已有 DAG 是否符合常见最佳实践
– 对 DAG 中的反模式给出修改建议

典型使用场景：

– 数据工程师用 Agent 快速起草一个每日跑批的 ETL DAG
– 把一段散乱的 DAG 代码交给 Agent 做重构和规范统一
– 在导入已有 Airflow 项目时，让 Agent 检查 DAG 写法是否存在常见隐患
– 用统一风格批量生成结构相似的 DAG 文件

适合的用户：使用 Apache Airflow 做数据编排的工程师、数据平台团队，以及希望在 Agent 辅助下保持 DAG 代码风格一致的开发者。

不适合的需求：这个 Skill 不负责 Airflow 集群部署、不负责调度器运维、不负责连接配置管理，也不能替代对 Airflow 本身的理解。它是代码层面的编写辅助，而不是运维工具。

需要区分的是，Skill 提供的是 DAG 编写规范与生成能力，Airflow 平台本身提供的是调度执行能力。Skill 生成的 DAG 最终能否运行，取决于用户的 Airflow 环境和依赖是否配置正确。

Skill 安全评估

总体判断：astronomer/agents#authoring-dags 属于偏开发辅助类型的 Skill，本身不涉及凭证读取、网络回传或系统级操作，风险主要集中在 Agent 生成的代码质量和文件改动范围上，而不是这个 Skill 会主动危害系统。

与安全相关的几个实际关注点：

– 来源可信度：该 Skill 来自 Astronomer 官方 agents 仓库。Astronomer 是 Apache Airflow 生态中的核心商业公司之一，也是 Airflow 的主要维护方之一。从来源权威性看，可信度相对较高。具体内容仍以仓库当前版本为准。
– 文件写入：DAG 编写通常意味着创建或修改项目中的 Python 文件。这是这个 Skill 的正常用途，但需要留意 Agent 可能在哪些目录下写入，是否会覆盖已有 DAG。
– 代码执行：该 Skill 关注的是编写 DAG，不必然要求 Agent 自动执行 DAG 或运行 Airflow CLI。是否执行测试、是否触发 DAG，取决于用户和 Agent 的权限配置。
– 网络访问：编写 DAG 本身通常不需要联网。如果 Agent 在过程中需要拉取依赖或访问 Airflow API，则属于 Agent 层行为，不是该 Skill 自身必需。
– 凭证与连接：Airflow 项目常涉及 Connection、Variable、Secret。Skill 生成 DAG 时如何引用这些凭证值得注意。如果让 Agent 生成包含明文密码、Token 的 DAG，属于高风险用法，应避免。凭证通过 Airflow 的 Connection 或 Secret Backend 引用更安全。
– Prompt Injection：如果用户把不可信的第三方 DAG 或文档整段喂给 Agent 处理，理论上存在被其中内容影响的风险。处理外部来源代码时需要保持警惕。
– 供应链风险：该 Skill 依赖仓库当前内容，如果使用第三方镜像或重新发布版本，内容可能被改动。建议使用官方来源。

降低风险的建议：

– 如果只需要 Agent 帮忙起草 DAG，可以关闭 Agent 自动执行 Shell 或自动运行 Python 的权限，由用户手动运行和测试。
– 不要让 Agent 在 DAG 中写入明文密码、API Key、Token，改为引用 Airflow Connection 或环境变量。
– 在已有项目中让 Agent 改动 DAG 前，先确认 Git 已提交或做好备份，便于对比和回滚。
– 审查 Agent 修改了哪些文件，尤其是与任务无关的文件是否被动过。

没有任何 Skill 可以简单判断为“绝对安全”。这里的关键是：这个 Skill 的正常用途是写 DAG 代码，只要把它的活动范围控制在这件事上，风险是可控的。

Skill 使用要求

一、Agent / 客户端

该 Skill 来自 Astronomer 的 agents 仓库，属于面向 AI 编程 Agent 的 Skill 形式。官方没有公开完整的第三方 Agent 兼容列表。从 Agent Skill 的一般加载方式看，在支持 Skills、自定义指令或类似机制的环境中通常可以尝试使用，包括 Claude Code、Codex、Cursor、Trae、OpenClaw、WorkBuddy 等。不同 Agent 的 Skill 加载机制和兼容程度可能不同，具体以对应 Agent 当前版本为准。官方主要面向的场景是配合编程 Agent 使用，因此代码编辑能力较强的 Agent 会更适合。

二、运行环境 / 依赖

| 项目 | 要求 |
|—|—|
| Agent | 支持自定义 Skill 的编程 Agent，Claude Code 等可优先尝试 |
| Python | 生成的 DAG 文件需要 Python 环境运行，官方未明确版本，按 Airflow 自身要求为准 |
| Airflow | 若要运行或验证 DAG，需要可用的 Airflow 环境 |
| 网络 | 编写 DAG 通常不需要；安装 Skill 时需要能访问对应来源 |

Skill 本身是否强依赖某个具体 Python 或 Airflow 版本，官方资料未明确说明，建议以仓库当前内容和 Airflow 官方文档为准。

三、权限

– 文件读取：必需，用于读取项目中的 DAG 和配置。
– 文件写入：通常必需，用于创建或修改 DAG 文件。
– Shell：可选。仅在需要运行 Python、Airflow CLI 或测试时才需要。
– 网络：可选。编写 DAG 一般不需要。
– Git：可选，建议开启以便对比改动。

四、账号 / API Key

该 Skill 本身不要求账号或 API Key。但使用它会接触到的 Airflow 项目通常涉及 Connection、Variable、Secret 等凭证。这类凭证属于 Airflow 项目层面，不属于 Skill 本身。配置 DAG 时建议通过 Airflow 的 Connection、环境变量或 Secret Backend 引用，而不是写进 DAG 代码。

最小使用条件

– 一个支持自定义 Skill 的编程 Agent
– 可以读写 DAG 代码所在目录
– 如需运行验证，需要可用 Airflow 环境

Skill 安装、使用与卸载教程

一、安装

LemonAIKit Skill 详情页已经提供该 Skill 的安装指令，可以直接复制本页面的安装指令，粘贴到对应 Agent 或终端执行。

如果用户不清楚自己的 Agent 如何安装，可以直接向当前 AI Agent 提问，让 Agent 根据自身的 Skill 加载与管理机制给出安装步骤，例如：

如何安装 astronomer/agents#authoring-dags？

如何在 Claude Code 中安装 astronomer/agents#authoring-dags？

如何在 Cursor 中安装 astronomer/agents#authoring-dags？

如果当前 Skill 存在官方特殊安装条件，以官方仓库说明为准。

二、安装后如何使用

安装后，在涉及 Airflow DAG 编写、修改或审查的任务中自然描述需求即可。Agent 识别到与 DAG 相关时，会按该 Skill 的规范来组织代码。

适合的自然语言示例：

用 authoring-dags，帮我写一个每天凌晨两点运行的 Airflow DAG，先从 S3 拉数据，再跑 Python 清洗，最后写入仓库。

用 authoring-dags，帮我审查这个 DAG 文件里有没有常见的写法问题。

用 authoring-dags，把这份散乱的 DAG 代码按规范重写一遍，保持功能不变。

三、卸载

不同 Agent 的 Skill 安装位置和管理方式不同。通常可以通过对应 Agent 或 Skill 管理器提供的删除方式移除该 Skill，或直接询问当前 Agent：

如何卸载 astronomer/agents#authoring-dags？

如果没有统一的卸载命令，询问当前 Agent 如何移除通常更稳妥，不要手动到不确定的目录删除文件，以免误删其他 Skill。

常见问题

1. 安装后 Agent 没识别到这个 Skill 怎么办？

先确认安装指令执行成功、没有报错，再确认当前 Agent 是否支持自定义 Skill 以及是否需要重启或重新加载。可以让 Agent 列出当前已加载的 Skill，检查是否包含 authoring-dags。如果仍不识别，询问当前 Agent 该 Skill 的加载机制。

2. 这个 Skill 会直接修改我已有的 DAG 文件吗？

只有在用户要求修改、重构或审查已有 DAG 时，Agent 才可能写入文件。如果只是问答或生成新文件，一般不会动已有内容。建议在让 Agent 改动已有项目前，先用 Git 提交一次，方便对比和回滚。

3. 可以让 Agent 自动运行生成的 DAG 吗？

是否自动运行取决于 Agent 的 Shell 权限与用户设置。出于安全和排查便利考虑，可以只让 Skill 生成 DAG 代码，由用户手动运行和验证，避免 Agent 直接触发生产任务。

4. 生成的 DAG 能直接用在生产环境吗？

这个 Skill 帮助按规范编写 DAG，但生产可用性还取决于依赖、连接配置、权限、资源与调度策略。建议经过测试环境和代码审查后再上生产，不要直接把 Agent 生成的 DAG 不加检查投入运行。

5. 中国大陆使用是否有网络要求？

编写 DAG 一般不需要联网，但安装 Skill 时需要能访问对应来源。如果安装源在境外、访问受限，可能需要配置合适的网络代理或镜像，具体以用户环境和仓库说明为准。

6. 可以同时装到多个 Agent 里吗？

通常可以。不同 Agent 的 Skill 目录相互独立，同一 Skill 可以分别安装到多个 Agent 中。各自的加载和更新相互独立，更新后是否需要重新安装，取决于对应 Agent 的管理方式。

7. Skill 更新后需要重新安装吗？

取决于 Agent 与来源的管理方式。如果 Skill 是通过仓库拉取并缓存的，可能需要重新拉取或更新。可以直接询问当前 Agent 如何更新该 Skill。