在Airflow中，可以使用provide_context=True来传递上下文变量，从而实现顺序任务回填和忽略上游依赖。下面是一个示例代码：

from airflow import DAG
from airflow.operators.python_operator import PythonOperator
from datetime import datetime, timedelta

def task1(**kwargs):
    # 执行task1的代码逻辑
    return 'task1'

def task2(**kwargs):
    # 执行task2的代码逻辑
    return 'task2'

def task3(**kwargs):
    # 执行task3的代码逻辑
    return 'task3'

default_args = {
    'owner': 'airflow',
    'start_date': datetime(2021, 1, 1),
    'retries': 1,
    'retry_delay': timedelta(minutes=5)
}

with DAG('example_dag', default_args=default_args, schedule_interval=None) as dag:
    t1 = PythonOperator(
        task_id='task1',
        python_callable=task1,
        provide_context=True
    )

    t2 = PythonOperator(
        task_id='task2',
        python_callable=task2,
        provide_context=True
    )

    t3 = PythonOperator(
        task_id='task3',
        python_callable=task3,
        provide_context=True
    )

    # 设置任务之间的依赖关系
    t1 >> t2 >> t3

在上面的示例中，provide_context=True参数被设置为PythonOperator，这样就可以在每个任务的Python函数中接收到一个带有上下文变量的字典参数。通过使用这个上下文变量，可以访问任务的相关信息，比如上游任务的状态等。

如果要实现顺序任务回填和忽略上游依赖，可以在任务的Python函数中添加逻辑来判断是否要执行任务。例如，在task2的Python函数中，可以使用上下文变量来判断task1的状态，如果task1已经成功执行，则执行task2的代码逻辑；如果task1未执行或执行失败，则跳过task2的代码逻辑。

注意：在实际使用中，可能需要根据具体的业务需求来定义判断条件和执行逻辑。上述代码仅供参考。