11月20日、Java Code Geeksが「Query Transformation in Spring AI Modular RAG」と題した記事を公開した。RAGシステムの検索精度はクエリの質に直結する。どれだけ優れたベクトルストアを用意しても、ユーザーの入力が冗長だったり、ドキュメントと異なる言語で書かれていたり、直前の発言を前提としたフォローアップ質問だったりすると、意図した文書を拾えない。LLMを活用した回答生成の精度向上に注目が集まる中、「検索そのものの入口」であるクエリ品質の改善は、RAG実装における重要な課題として認識されるようになってきた。Spring AIはこの問題をクエリトランスフォーマー(Query Transformer)で解決する。LLMを使ってベクトル検索の前にクエリを整形する小さなコンポーネント群だ。
Modular RAGにおける位置づけ
Spring AIは「Modular RAG」設計を採用しており、RAGパイプラインを以下の独立したステージに分割する。
| ステージ | 役割 | 例 |
|---|---|---|
| Pre-retrieval | 検索前のクエリ準備 | クエリトランスフォーマー |
| Retrieval | 関連文書の検索 | VectorStoreDocumentRetriever |
| Post-retrieval | 検索結果の再ランク・フィルタ | DocumentPostProcessor |
| Generation | 最終回答の生成 | チャットモデル |
クエリ変換はPre-retrievalステージに属し、各ステージがモジュールとして独立しているため、他の部分を書き直さずに追加・削除・順序変更ができる。なお、Spring AIのソースコードや最新の開発状況はGitHubリポジトリでも確認できる。
3種類のクエリトランスフォーマー
Spring AIが標準で提供するトランスフォーマーは以下の3つだ。
| トランスフォーマー | 解決する問題 | 変換例 |
|---|---|---|
RewriteQueryTransformer |
冗長・曖昧なクエリ | "I'm studying machine learning. What is an LLM?" → "What is a large language model (LLM)?" |
TranslationQueryTransformer |
クエリ言語と埋め込みモデルの言語の不一致 | デンマーク語の質問を英語に変換 |
CompressionQueryTransformer |
会話履歴に依存するフォローアップ質問 | "And what is its second largest city?" → "What is the second largest city of Denmark?" |
CompressionQueryTransformerが特に実用的だ。「その第2の都市は?」という質問は単体では検索できないが、直前の会話履歴(「デンマークの首都はコペンハーゲン」)と組み合わせることで、「デンマークの第2の都市は?」という自己完結した質問に変換される。このアプローチはRAG研究における「クエリ再構成(Query Rewriting)」の知見を実装に落とし込んだものであり、HyDE(Hypothetical Document Embeddings)などの先行研究と並ぶ、検索品質改善の有力な手法として注目されている。
実装コード
依存関係(Maven)
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>1.1.8</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-rag</artifactId>
</dependency>
</dependencies>
上記のバージョン(1.1.8)は元記事掲載時点の記載に基づく。最新のリリース済みバージョンはSpring AI公式リリースページで確認していただきたい。OpenAIスターターはあくまで例で、トランスフォーマー自体はChatClient.Builderを使うため任意のチャットモデルで動作する。
3つのトランスフォーマーを動かすデモ
@Component
public class QueryTransformationDemo implements CommandLineRunner {
private final QueryTransformer rewriter;
private final QueryTransformer translator;
private final QueryTransformer compressor;
public QueryTransformationDemo(ChatClient.Builder builder) {
ChatClient.Builder deterministic = builder.clone()
.defaultOptions(ChatOptions.builder().temperature(0.0).build());
this.rewriter = RewriteQueryTransformer.builder()
.chatClientBuilder(deterministic)
.targetSearchSystem("vector store")
.build();
this.translator = TranslationQueryTransformer.builder()
.chatClientBuilder(deterministic)
.targetLanguage("english")
.build();
this.compressor = CompressionQueryTransformer.builder()
.chatClientBuilder(deterministic)
.build();
}
@Override
public void run(String... args) {
Query verbose = new Query("I'm studying machine learning. What is an LLM?");
show("Rewrite", verbose, rewriter.transform(verbose));
Query danish = new Query("Hvad er Danmarks hovedstad?");
show("Translation", danish, translator.transform(danish));
Query followUp = Query.builder()
.text("And what is its second largest city?")
.history(new UserMessage("What is the capital of Denmark?"),
new AssistantMessage("Copenhagen is the capital of Denmark."))
.build();
show("Compression", followUp, compressor.transform(followUp));
}
}
temperature を 0.0 に設定している点が重要だ。クエリ変換は予測可能であるべきで、デフォルト値のままだと出力がランダムになりすぎる。ChatClient.Builderをclone()しているのは、共有Beanをそのまま変更しないためだ。
実行結果
[Rewrite]
before: I'm studying machine learning. What is an LLM?
after : What is a large language model (LLM)?
[Translation]
before: Hvad er Danmarks hovedstad?
after : What is the capital of Denmark?
[Compression]
before: And what is its second largest city?
after : What is the second largest city of Denmark?
RAGパイプラインへの組み込み
実際のアプリケーションでは、RetrievalAugmentationAdvisorにトランスフォーマーを渡すだけでよい。
@Bean
public ChatClient ragChatClient(ChatClient.Builder builder, VectorStore vectorStore) {
ChatClient.Builder deterministic = builder.clone()
.defaultOptions(ChatOptions.builder().temperature(0.0).build());
Advisor rag = RetrievalAugmentationAdvisor.builder()
.queryTransformers(
CompressionQueryTransformer.builder().chatClientBuilder(deterministic).build(),
RewriteQueryTransformer.builder().chatClientBuilder(deterministic).build(),
TranslationQueryTransformer.builder().chatClientBuilder(deterministic)
.targetLanguage("english").build())
.documentRetriever(VectorStoreDocumentRetriever.builder()
.vectorStore(vectorStore)
.similarityThreshold(0.50)
.build())
.build();
return builder.defaultAdvisors(rag).build();
}
トランスフォーマーの順序には意図がある。フォローアップ質問を先に自己完結させ(Compression)、次に検索向けに整形し(Rewrite)、最後に言語を統一する(Translation)。この順序を間違えると、例えば翻訳後にCompressionを適用するとフォローアップの解決に使えるはずの会話履歴がうまく機能しないケースが生じうる。
使用上の注意点
- レイテンシとコストが増加する:トランスフォーマー1つにつきLLM呼び出しが1回追加される。必要なもののみ使う。
- 意味のずれに注意:書き換えによってユーザーの意図が変わる可能性があるため、変換前後のクエリをログに残して検索品質を比較する。
- 軽量モデルで代替可能:クエリ変換はシンプルなタスクなので、回答生成に使うモデルより安価・高速なモデルを使える。
- プロンプトはカスタマイズ可能:各トランスフォーマーのビルダーで
promptTemplate()を指定できる。
詳細はQuery Transformation in Spring AI Modular RAGを参照していただきたい。




