Cuando un Dag existe solo para producir un asset, @asset lo escribe en una función:
@asset(schedule="@daily", start_date=pendulum.datetime(2026, 11, 1, tz="UTC"))
def daily_sales(self, context):
day = context["ds"]
...
yield Metadata(self, {"day": day})
Esto crea un asset llamado daily_sales, un Dag con el id daily_sales y una tarea, también daily_sales, cuyo outlet es el asset. El nombre daily_sales del módulo pasa a ser el asset, así que otra definición puede programarse sobre él: @asset(schedule=daily_sales).
Hay tres nombres de parámetro reservados: self (el asset que se produce), context (el contexto de la ejecución: context["ds"] en una ejecución programada y context["triggering_asset_events"] en una lanzada por un asset) y outlet_events. Cualquier otro parámetro con el nombre de un asset declara un inlet: registra que este asset lee aquel, pero no programa nada.
@asset encaja en pipelines centrados en assets. Si has usado Dagster, es lo más parecido que tiene Airflow a una definición de asset, pero cada @asset sigue siendo un Dag con una tarea. Un @dag con outlets hace el mismo trabajo con más margen para varias tareas.
Un segundo asset programado sobre el primero: se ejecuta cada vez que se produce daily_sales.