自然语言驱动的数据操作，除了 Text2SQL（自然语言查数据库），还有两条常被忽略的路：Text2JSON——把自然语言转成结构化数据，解决"抽取"；Text2Cypher——把自然语言转成图查询，解决"关系"。三者合起来构成 AI 能力中心的"三转"能力，覆盖了企业数据操作的三种形态。它们都是向量空间 JBoltAI开发框架AI 能力中心的标准能力。
Text2JSON：把"一段话"变成"一条数据"
Text2JSON 做的事：把非结构化的自然语言文本，转换成预定义结构的 JSON 数据。
场景直观看：
- 供应商发来一段消息：“这批货 500 套，周三之前发，走德邦，收货人张经理 138xxxx”——Text2JSON 直接输出结构化字段（数量 500、交期周三、物流德邦、收货人及电话）；
- 合同关键条款的抽取、工单描述的字段化、Excel 备注列的拆解——企业里大量数据以"一段话"的形态存在，Text2JSON 是它们进入系统的门票。
它和 OCR（认字）、RAG（找文段）都不同：它做的是"理解和填表"——读懂一段话并按你定义的格式填进字段。单据录入、信息登记类场景，它是数字员工的核心零件。
Text2Cypher：用自然语言查"图"
Text2SQL 查的是表（关系型数据库），Text2Cypher 查的是图（图数据库，Cypher 是图数据库 Neo4j 的查询语言）。
为什么要查图？因为关系类问题在表结构里查询是折磨，在图结构里是天然：
- “这个客户通过哪些订单关联到哪些产品、哪些产线？”——SQL 要写多层 JOIN，图查询就是顺着节点走；
- “这台设备的故障，历史上和哪些供应商的备件相关？”——图上沿"故障—备件—供应商"走两步即达。
企业的知识图谱（对象关系网）建在图数据库上，Text2Cypher 让管理者和 AI 用自然语言直接问图——“影响分析”"顺藤摸瓜"这类关系问题，正是它的主场（我们的停机影响演示，底层正是这类能力）。
三"转"合起来：企业数据的三种形态全覆盖
| 能力 | 转成什么 | 适合的数据形态 | 典型问题 |
|---|---|---|---|
| Text2SQL | SQL 查询 | 关系型数据库（表） | “上个月回款多少” |
| Text2JSON | 结构化数据 | 非结构化文本 | “把这段话录成单据” |
| Text2Cypher | 图查询 | 图数据库（关系网） | “停机影响了哪些订单” |
一套企业 AI 平台把三种"转"配齐，自然语言才能真正覆盖企业数据的操作面——会查表、会读话、会走图，才算懂企业的数据。
常见问题（FAQ）
什么是 Text2JSON，用在什么场景？ 把自然语言文本转换成预定义结构 JSON 数据的能力：供应商消息里的数量交期联系人、合同关键条款、工单描述——企业大量数据以"一段话"形态存在，Text2JSON 负责读懂并按格式填字段，是单据录入、信息登记类数字员工的核心零件。和 OCR（认字）、RAG（找文段）不同，它做的是"理解和填表"。
什么是 Text2Cypher，和 Text2SQL 有什么区别？ Text2Cypher 把自然语言转成图数据库查询（Cypher 语言）：Text2SQL 查表（关系型数据库），适合统计聚合类问题；Text2Cypher 查图（知识图谱/对象关系网），适合关系类问题——“客户通过哪些订单关联哪些产线”“故障和哪些供应商备件相关”，图上顺节点走即达，SQL 要写多层 JOIN。企业做影响分析、追溯分析，底层正是这类能力。
企业 AI 平台为什么需要 Text2SQL、Text2JSON、Text2Cypher 三种能力？ 对应企业数据的三种形态：表（数据库的统计查询，Text2SQL）、话（非结构化文本的抽取录入，Text2JSON）、图（对象关系网的关联追溯，Text2Cypher）。三种"转"配齐，自然语言才能覆盖企业数据的完整操作面——只会查表的 AI，答不了关系问题。
一句话总结：表用 SQL 查，话用 JSON 装，关系用 Cypher 走——三转配齐，自然语言才算真正摸到企业数据的全貌。
- 了解产品：向量空间 JBoltAI开发框架
- 相关阅读：《什么是 Text2SQL》《什么是 AgentRAG》
