在Airflow Python中使用yield语句可以实现生成器函数，可用于生成任务实例，例如：

from airflow import DAG
from airflow.operators.python_operator import PythonOperator

def generate_task_instances():
    for i in range(5):
        yield {
            'task_id': f'task_{i}',
            'param': i
        }

def process_task(**kwargs):
    task_id = kwargs['task_instance'].task_id
    param = kwargs['task_instance'].xcom_pull(task_ids=None, key='param')
    print(f"Processing task {task_id} with param {param}")

with DAG('yield_example', schedule_interval=None) as dag:
    generate_task_instances_task = PythonOperator(
        task_id='generate_task_instances',
        python_callable=generate_task_instances
    )

    process_task_task = PythonOperator(
        task_id='process_task',
        python_callable=process_task,
        provide_context=True
    )

    generate_task_instances_task >> process_task_task

在上面的示例中，generate_task_instances函数是一个生成器函数，通过yield语句返回包含任务实例信息的字典。每次调用生成器函数时，它会生成一个新的任务实例字典。

process_task函数是一个处理任务实例的函数，通过kwargs参数可以访问任务实例的上下文信息，例如任务ID和参数值。在这个示例中，它通过xcom_pull方法获取generate_task_instances_task任务的返回值（即任务实例字典中的param键），并进行处理。

最后，使用PythonOperator定义两个任务，将它们连接在一起，并使用provide_context=True参数使任务函数能够接收任务实例的上下文信息。

这样，当DAG运行时，generate_task_instances函数将会生成5个不同的任务实例，每个实例都会被传递给process_task函数进行处理。