Probé la herramienta que busca reemplazar a Apache Airflow (Kestra)

EspañolالعربيةDeutschEnglishFrançaisहिन्दीBahasa Indonesia日本語한국어PortuguêsРусский中文
BBetter Stack
컴퓨터/소프트웨어창업/스타트업AI/미래기술

스크립트

00:00:00Esta es Kestra, una startup que recientemente recaudó 25 millones de dólares con una sola promesa,
00:00:06acabar con Apache Airflow. Y su truco entero resulta casi insultante por lo simple que suena.
00:00:12Dejas de escribir tus canales de datos en Python y empiezas a escribirlos en YAML.
00:00:17Quédate conmigo porque esa única cosa es más importante de lo que parece.
00:00:21Déjame mostrarte cómo funciona todo esto en los próximos minutos.
00:00:29Imagina ahora una cadena de trabajos que deben ejecutarse en orden. Extraer datos, limpiarlos,
00:00:35cargarlos en una base de datos y luego activar una API para iniciar lo siguiente. Podrías configurarlo con
00:00:41Cron. Pero en el momento en que un paso falla, no hay nada bueno. Sin reintentos, sin registros, sin idea de qué se rompió.
00:00:48Ese es exactamente el desorden que las herramientas de orquestación se diseñaron para arreglar. Y Airflow honestamente ha
00:00:54sido el rey de estas durante años. El problema con Airflow es que cada canal de datos es un
00:00:58programa de Python que tienes que escribir, mantener y depurar. Todo el sistema es pesado y simplemente
00:01:04ejecutarlo en tu propia máquina no es algo que la mayoría de nosotros disfrutemos. Si disfrutas programando herramientas
00:01:09para acelerar tu flujo de trabajo, asegúrate de suscribirte. Tenemos videos saliendo todo el tiempo.
00:01:14Ahora, la idea de Kestra es que el flujo de trabajo no debería ser un programa en absoluto. Solo debería ser
00:01:19una configuración. Déjame mostrarte lo que eso significa realmente. Estoy en el editor del navegador,
00:01:24y voy a escribir un pequeño flujo en YAML. Un par de pasos. Uno ejecuta un script de Python. Otro ejecuta un comando
00:01:32de shell. Puedo pulsar ejecutar y mirar la pantalla. El diagrama se ilumina paso a paso en vivo
00:01:41mientras cada uno se ejecuta. Puedo saltar a una vista de línea de tiempo para ver cuánto tomó cada pieza y hacer clic directamente en
00:01:47el registro de cualquier paso que quiera. Ese flujo de trabajo entero terminó, y nunca escribí una sola línea de
00:01:53código de orquestación. Así es como funciona esto realmente. Cada flujo de trabajo es lo que llaman
00:02:00un flujo (flow), y en realidad es solo YAML. Una lista de tareas y un activador que las inicia. Las tareas son agnósticas
00:02:08al lenguaje, y eso es importante aquí. Un flujo puede ejecutar Python, Node, luego bash, luego una consulta SQL,
00:02:15y luego iniciar un contenedor, todo en una sola secuencia. Airflow realmente te quiere en Python. N8N realmente te quiere
00:02:22en JavaScript. A Kestra realmente no le importa en qué esté escrito cada paso, y los activadores están
00:02:27incorporados directamente. Ejecútalo en un horario como Cron, actívalo cuando salte un webhook,
00:02:34o cuando un archivo llegue a un contenedor, o llámalo desde la API. Una última cosa que me gusta: el código y el constructor
00:02:39visual se mantienen unidos. Así que editar uno actualiza automáticamente el otro. Ahora, ¿por qué deberías
00:02:46preocuparte frente a las herramientas que ya usamos, como Airflow? Ahora, contra Airflow, tu canal de datos
00:02:53se convierte en una configuración limpia que alguien que no sabe Python podría leer y aprobar en solicitudes de extracción.
00:02:59Y los revisores dicen que el motor procesa el trabajo en paralelo mejor que el planificador de Airflow.
00:03:05Eso es genial, pero comparado con Zapier y Make, no hay SaaS y no pagas por tarea.
00:03:12Está hecho para desarrolladores e infraestructura real, y lo alojas tú mismo. Y contra el viejo Cron,
00:03:19obtienes reintentos, tiempos de espera, un mapa de dependencias real y una interfaz de usuario lista para usar. Ahora,
00:03:26Kestra dice que ejecutó 2 mil millones de flujos de trabajo en 2025. Eso es 20 veces más que el año anterior. Y tiene nombres
00:03:32de clientes como Apple, JP Morgan, Toyota y Bloomberg. Ahora, esos números de crecimiento vienen directamente
00:03:38de la empresa, no de una auditoría externa. Así que tómalo con cautela. Pero cada vez más
00:03:43personas apuestan a que esta forma de orquestación centrada en configuración declarativa es hacia donde se dirige el campo.
00:03:49Bien, algunos inconvenientes aquí. Primero, es una aplicación Java. Y la JVM, es hambrienta. Quieres
00:03:58alrededor de 4 gigas de RAM y un par de núcleos solo para ejecutar el servidor en paz. Segundo, YAML es un sueño para
00:04:06canales de datos lineales simples. Pero en el segundo en que necesitas lógica de ramificación dinámica compleja, empieza a luchar
00:04:11contra nosotros. Y honestamente, las herramientas basadas en Python manejan eso mucho mejor. Por último, Kestra es de núcleo abierto (open core). Así que
00:04:18el motor en sí es verdaderamente de código abierto, pero el inicio de sesión único, el control de acceso basado en reglas y los registros de auditoría,
00:04:24esos viven detrás de algún tipo de muro de pago. La versión gratuita te da un inicio de sesión compartido. Eso es todo. Es
00:04:31perfectamente bien si haces esto solo. Pero es un problema el día que necesitas un sistema de control multiusuario
00:04:36real sin querer pagar. ¿Deberías usarlo? Bueno, esa última parte podría ser la clave de todo.
00:04:42Si quieres que tu orquestación sea una configuración legible en lugar de Python, esto honestamente
00:04:47es genial. Es una herramienta interesante. Y funciona de forma nativa en Apple Silicon. Ponerlo en marcha en Macs es un solo
00:04:53comando de Docker run y el tablero aparece en localhost. Pruébalo. O si ya
00:04:59lo has probado, deja tus opiniones abajo. Si disfrutas de consejos y trucos de programación como este, asegúrate de suscribirte.
00:05:03Tenemos videos saliendo todo el tiempo.

핵심 요약

Kestra transforma la gestión de flujos de trabajo de datos al sustituir la complejidad del código Python de Apache Airflow por una configuración simple en YAML, facilitando la ejecución de tareas agnósticas al lenguaje.

하이라이트

  • Kestra reemplaza el código de orquestación en Python por una configuración declarativa basada en YAML.

  • El motor procesa tareas en paralelo y permite la ejecución de flujos que combinan Python, Node, SQL y comandos de shell en una misma secuencia.

  • La interfaz permite la visualización en vivo de flujos de trabajo, acceso directo a registros y una vista de línea de tiempo para medir el rendimiento de cada paso.

  • Kestra reportó 2 mil millones de ejecuciones de flujos de trabajo en 2025, un incremento de 20 veces respecto al año anterior.

  • La herramienta requiere un entorno Java y aproximadamente 4 GB de RAM para ejecutar el servidor de forma estable.

  • Funciones empresariales como el inicio de sesión único (SSO), control de acceso basado en roles y auditorías requieren una licencia de pago.

타임라인

Limitaciones de la orquestación tradicional

  • El uso de herramientas como Cron carece de mecanismos de reintento, registros detallados o visibilidad ante fallos.
  • Apache Airflow requiere el mantenimiento y depuración constante de programas escritos en Python.

La orquestación de datos a menudo se enfrenta al problema de gestionar secuencias de trabajos como extraer, limpiar y cargar información. Aunque Airflow ha dominado este espacio, su dependencia del código Python lo hace pesado y difícil de ejecutar localmente. Los métodos tradicionales basados en Cron fallan al proporcionar la trazabilidad necesaria para entornos de producción complejos.

Arquitectura de Kestra basada en YAML

  • Los flujos de trabajo se definen exclusivamente mediante archivos de configuración YAML.
  • Cada tarea es agnóstica al lenguaje, permitiendo integrar scripts de Python, comandos de shell, consultas SQL y contenedores en una secuencia única.
  • El editor visual y el código YAML están sincronizados para que cualquier cambio en uno actualice automáticamente al otro.

Kestra elimina la necesidad de programar lógica de orquestación al tratar los flujos de trabajo como configuraciones. Los activadores están integrados directamente, permitiendo iniciar procesos mediante horarios programados, webhooks, eventos de archivos o llamadas a la API. Esta flexibilidad permite a los desarrolladores conectar diferentes lenguajes y servicios sin depender de un ecosistema específico como el de Python o JavaScript.

Comparativa y adopción en el mercado

  • La configuración declarativa permite que usuarios sin conocimientos profundos de Python puedan revisar y aprobar flujos de trabajo.
  • El motor presenta un rendimiento superior en el procesamiento de trabajos paralelos comparado con el planificador de Airflow.
  • Grandes organizaciones como Apple, JP Morgan, Toyota y Bloomberg integran esta tecnología en su infraestructura.

A diferencia de soluciones SaaS como Zapier o Make que cobran por tarea, Kestra permite el autohospedaje y está diseñado para infraestructura técnica real. Al sustituir la lógica de programación por archivos de configuración, se simplifica la colaboración dentro de los equipos de ingeniería. La adopción ha crecido rápidamente, con 2 mil millones de flujos ejecutados en 2025.

Desafíos y consideraciones de despliegue

  • La aplicación requiere al menos 4 GB de RAM debido a su arquitectura basada en Java.
  • La lógica de ramificación dinámica compleja resulta más difícil de implementar en YAML que en lenguajes como Python.
  • Las funcionalidades de control de acceso avanzado están restringidas a versiones de pago bajo el modelo open core.

Aunque es una herramienta eficiente, su dependencia de la JVM implica un consumo considerable de recursos de hardware. La simplicidad del YAML puede volverse un obstáculo ante escenarios de lógica dinámica muy avanzada. Además, el modelo de negocio open core limita las capacidades de gestión multiusuario a menos que se acceda a las versiones comerciales de la plataforma.

커뮤니티 글

아직 글이 없습니다. 이 영상에 대한 첫 번째 글을 작성해 보세요!

이 영상에 대해 글쓰기