请说明在 Airflow 中，动态生成 DAG 的常用方法和模板化机制，包括具体实现方式与适用场景。

回答思路

1. 【回答框架 1】动态生成 DAG 的常用方法包括：在 DAG 文件中使用循环生成多个 DAG 对象，或使用工厂函数按参数批量创建 DAG。例如，可以根据配置文件或数据库记录，遍历生成各自定制的 DAG。
2. 【回答框架 2】模板化主要体现在 Task 层面，通过 JINJA 模板渲染参数，如 {{ ds }}, {{ execution_date }} 等宏，以及通过 {{ params.param_name }} 引用用户传入的参数。需要在 DAG 定义中启用 template_searchpath 或提供模板文件。
3. 【回答框架 3】动态 DAG 生成的便利性需与调度器的解析机制平衡。Airflow 调度器会周期性读取 DAG 文件，动态创建过多 DAG 会显著增加解析时间和调度器压力。生成逻辑需保持确定性，避免每次解析产生不同的 DAG 导致 UI 或调度异常。
4. 【回答框架 4】适用场景上，循环生成适合结构相似、参数可枚举的情况；工厂函数适合需从外部配置批量生成且易于维护的场景；模板化适合任务内部参数随执行周期变化的场景。
5. 【关键点 1】动态生成 DAG 可用循环或工厂函数根据配置批量创建，但需控制 DAG 数量以防调度器过载。
6. 【关键点 2】模板化通过 JINJA 宏和参数实现运行时参数渲染，常用宏包括 ds、execution_date 和 params。
7. 【关键点 3】动态生成逻辑必须确定性，避免多次解析产生不一致的 DAG 结构。
8. 【关键点 4】模板文件可通过 template_searchpath 指定路径，需注意文件权限和路径配置。
9. 【易错点 1】过度动态化导致 DAG 数量激增，增加调度器解析负担，可能引发调度延迟。
10. 【易错点 2】在动态生成中使用外部状态（如数据库）时未处理缓存或错误，可能导致每次解析结果不同，产生 DAG 结构漂移。
11. 【易错点 3】忽略模板语法错误或宏拼写错误，导致任务运行失败，且不易排查。