Apache Airflow：以程式碼編寫、排程與監控工作流程

倉庫對專案的定義

根據 README，Apache Airflow 是一個以程式碼編寫、排程與監控工作流程的平台。專案的核心主張是：當工作流程以程式碼定義時，它們會變得更易於維護、版本化、測試與協作。排程器依照指定的依賴關係在一組 worker 上執行任務；指令列工具被描述為能讓對 DAG 的複雜操作變簡單；使用者介面則用於視覺化生產環境中的管線執行、監控進度並在需要時排解問題。README 沒有提供這些元件的安裝或設定細節，相關內容指向官方檔案。入門指南的連結指向官方穩定版檔案，包括安裝、快速開始與完整教學。

在 apache-airflow-deep-analysis 的第 1 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

專案重點與原則

README 指出，Airflow 最適合基本靜態、變化緩慢的工作流程，也就是每次執行的 DAG 結構都相似的場景。除了傳統資料管線外，README 將 Airflow 描述為被廣泛用於編排機器學習工作流程，包括訓練、重新訓練、評估與部署，並且越來越常用於編排 agentic 與基於 LLM 的工作負載，協調 AI 管線的步驟（例如資料準備、工具呼叫、模型呼叫、評估），而不是自身充當 agent。Airflow 不是串流解決方案，但常被用於分批拉取串流上的資料來處理即時資料。任務應盡量具冪等性，且不應在任務間傳遞大量資料，但可以透過 XCom 傳遞中繼資料。專案列出的三項原則是動態、可擴充與彈性，其中彈性依賴 Jinja 模板引擎。

在 apache-airflow-deep-analysis 的第 2 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

支援的環境

倉庫用一張表列出了主開發版、穩定版 3.3.0 與已棄用版 2.11.2 的測試環境。Python 支援範圍：主版與穩定版為 3.10 至 3.14，棄用版為 3.10 至 3.12。平台為 AMD64 與 ARM64，其中棄用版的 ARM64 標記為實驗性。Kubernetes 支援範圍：主版與穩定版為 1.30 至 1.35，棄用版為 1.26 至 1.30。表中也列出了各版本線的 PostgreSQL、MySQL 與 SQLite 版本，SQLite 要求為 3.15.0 或更高。README 註明 MariaDB 未測試也不建議，SQLite 僅用於測試、不應在生產環境使用。它也說明 Airflow 可在 POSIX 相容作業係統上執行，開發時在較新的 Linux 發行版與近期 macOS 上測試，Windows 只能透過 WSL2 或 Linux 容器執行；生產執行應使用基於 Linux 的發行版，社群 Docker 映像使用的發行版是 Debian Bookworm。

在 apache-airflow-deep-analysis 的第 3 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

安裝與約束檔案

Airflow 以 apache-airflow 套件發布在 PyPI 上，但 README 警告說，直接 pip install 有時會失敗或產生不可用的安裝，因為 Airflow 既是程式庫也是應用程式。為了獲得可重複的安裝，專案在孤立分支中維護一組已知可用的約束檔案，按 Python 的主次版本分別保存。README 展示了針對 3.3.0 版本的 pip 指令，帶 --constraint URL，也展示了帶 postgres、google 等 extras 的變體。目前只有 pip 安裝獲得官方支援；Poetry 與 pip-tools 在約束與需求管理上與 pip 工作流程不同，目前不被支援。使用這些工具的使用者需要自行將約束檔案轉換為自己的格式。

在 apache-airflow-deep-analysis 的第 4 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

官方發布與便利套件

README 將官方原始碼發布與便利套件區分開來。官方發布遵循 ASF 發布政策，可從 ASF 發布目錄下載，由發布經理簽名，並在發布核准程序中由 PMC 成員投票。便利套件依常見使用順序列出：透過 pip 安裝的 PyPI 發布、來自 apache/airflow 倉庫的 Docker 映像、以及用於取得 git 專案原始碼的 GitHub 標籤。依 ASF 政策的定義，這些便利套件不是官方發布，但它們由官方發布的原始碼準備而成；其中一些是開發版或預發布工件，並會依 ASF 政策明確標記。

在 apache-airflow-deep-analysis 的第 5 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

使用者介面

使用者介面部分列出了八個檢視。Dags 顯示環境中所有 DAG 的概覽；Assets 顯示帶依賴關係的資產；Grid 以網格形式展示跨時間的 DAG；Graph 視覺化特定執行中 DAG 的依賴關係及其目前狀態；Home 顯示環境摘要統計；Backfill 支援按日期範圍回填 DAG；Code 提供快速檢視 DAG 原始碼的方式。README 為每個檢視附了深色模式截圖，但沒有描述具體行為或設定方式，這部分需要查閱官方檔案來確認。

在 apache-airflow-deep-analysis 的第 6 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

版本策略與依賴管理

自 Airflow 2.0.0 起，專案對所有發布的套件採用嚴格的語意化版本控制，並為核心 Airflow、providers、Helm chart 與 API 用戶端分別制定規則。版本生命週期表顯示版本 3 處於維護狀態，目前修補版本為 3.3.0，首次發布於 2025 年 4 月 22 日；版本 2 已結束生命週期，有限維護截止到 2025 年 10 月 22 日，終止日期為 2026 年 4 月 22 日。README 也記錄了依賴管理方式：約束檔案保證可重複安裝，而大多數依賴預設不設上限；SQLAlchemy、Alembic、Flask、werkzeug、celery 與 kubernetes 預設設有上限並附理由。該策略為最佳努力，README 沒有說明上限何時解除。

在 apache-airflow-deep-analysis 的第 7 個檢查點，應把 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 與本節談到的能力連在一起看。先確認 README 明確列出的設定、命令或元件，再以一個小型輸入觀察實際結果；若結果需要額外服務、特定版本或尚未說明的設定，就把該依賴寫入部署清單。這樣可以把專案宣稱、可重現步驟和尚未證實的範圍分開，避免以單次成功啟動推論完整的生產能力。

編輯結論

README 將 Apache Airflow 描述為以程式碼編寫、排程與監控工作流程的平台，並列出測試環境矩陣、嚴格的 SemVer 版本策略與基於約束檔案的依賴管理方式。專案由社群維護，已知使用組織約 500 家。Apache-2.0 授權授予著作權與專利權利並規定再散布條件，授權摘錄未涉及保固或支援。 對 apache-airflow-deep-analysis 而言，先以 DAG、scheduler、worker、airflow db migrate、airflow standalone、Python 建立最小可運行案例，逐項核對輸入、輸出、錯誤處理與版本相容性，再決定是否納入現有系統；README 沒有明示的部分仍應列為待確認事項。

官方來源

1. Official documentation
2. Official README
3. Project repository
4. Release notes