Mistral AI API完全ガイド2026 - 高速・低コストなLLM APIの実践活用
はじめに
Mistral AIはフランスのAIスタートアップで、オープンソースと商用モデルの両方を提供しています。特にコスト効率と速度に優れており、2026年現在、OpenAIに次ぐ第2のLLM APIプロバイダーとして注目されています。
Mistralモデル一覧
| モデル | コンテキスト長 | 特徴 | 用途 |
|---|---|---|---|
| Mistral Large 2 | 128K | 最高精度・推論強い | 複雑なタスク |
| Mistral Small | 32K | 高速・低コスト | 汎用 |
| Codestral | 256K | コード特化 | コード生成 |
| Mixtral 8x7B | 32K | MoE・オープンソース | 自ホスト可能 |
| Mixtral 8x22B | 64K | 大規模MoE | 高精度 |
| Pixtral Large | 128K | マルチモーダル | 画像理解 |
セットアップ
pip install mistralai
# Node.js
npm install @mistralai/mistralaiimport os
from mistralai import Mistral
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))基本的なテキスト生成
Python
from mistralai import Mistral
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# シンプルなチャット
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{"role": "user", "content": "TypeScriptのunion型について説明してください"}
]
)
print(response.choices[0].message.content)
# システムプロンプト付き
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "あなたはシニアエンジニアです。常に実用的なコード例を含めてください。"
},
{
"role": "user",
"content": "Next.jsのApp RouterとPages Routerの違いを説明してください"
}
]
)
print(response.choices[0].message.content)Node.js / TypeScript
import Mistral from "@mistralai/mistralai";
const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY! });
const response = await client.chat.complete({
model: "mistral-small-latest",
messages: [
{ role: "user", content: "Reactのレンダリング最適化手法を教えてください" }
],
});
console.log(response.choices![0].message.content);ストリーミング
from mistralai import Mistral
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# ストリーミングで受け取る
with client.chat.stream(
model="mistral-large-latest",
messages=[{"role": "user", "content": "Dockerの基礎から応用まで説明してください"}]
) as stream:
for text in stream.get_text_stream():
print(text, end="", flush=True)// TypeScriptでのストリーミング
const stream = client.chat.stream({
model: "mistral-small-latest",
messages: [{ role: "user", content: "KubernetesのPodとDeploymentの違いは？" }],
});
for await (const event of stream) {
process.stdout.write(event.data.choices[0]?.delta?.content || "");
}JSON Mode（構造化出力）
from mistralai import Mistral
import json
from pydantic import BaseModel
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
class TechArticle(BaseModel):
title: str
summary: str
tags: list[str]
difficulty: str # beginner, intermediate, advanced
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": """次の技術トピックのメタデータをJSON形式で返してください：
スキーマ: title(str), summary(str), tags(list), difficulty(str)
トピック: Rustの所有権システムとライフタイム"""
}
],
response_format={"type": "json_object"} # JSONモードを有効化
)
data = json.loads(response.choices[0].message.content)
article = TechArticle(**data)
print(f"タイトル: {article.title}")
print(f"難易度: {article.difficulty}")
print(f"タグ: {', '.join(article.tags)}")Function Calling（ツール使用）
from mistralai import Mistral
import json
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# ツールの定義
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "指定した都市の天気を取得します",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "都市名（例：東京、大阪）"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "温度の単位"
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "search_github",
"description": "GitHubリポジトリを検索します",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "検索クエリ"},
"language": {"type": "string", "description": "プログラミング言語"}
},
"required": ["query"]
}
}
}
]
# ツール実装
def execute_tool(name: str, args: dict) -> str:
if name == "get_weather":
return json.dumps({"temperature": 22, "condition": "晴れ", "city": args["city"]})
elif name == "search_github":
return json.dumps({"repos": ["repo1", "repo2"], "total": 100})
return "{}"
# エージェントループ
messages = [{"role": "user", "content": "東京の天気と、最新のRustリポジトリを教えてください"}]
while True:
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
tools=tools,
tool_choice="auto"
)
message = response.choices[0].message
messages.append(message.model_dump())
# ツール呼び出しがなければ終了
if not message.tool_calls:
print(message.content)
break
# ツールを実行して結果を返す
for tool_call in message.tool_calls:
result = execute_tool(
tool_call.function.name,
json.loads(tool_call.function.arguments)
)
messages.append({
"role": "tool",
"content": result,
"tool_call_id": tool_call.id
})Codestral（コード特化モデル）
from mistralai import Mistral
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# コード生成
response = client.chat.complete(
model="codestral-latest",
messages=[
{
"role": "user",
"content": """Pythonで以下の機能を実装してください：
- FastAPIでファイルアップロードエンドポイント
- S3へのアップロード
- データベースへのメタデータ保存
- エラーハンドリング"""
}
]
)
print(response.choices[0].message.content)
# コード補完（Fill-in-the-Middle）
response = client.fim.complete(
model="codestral-latest",
prompt="def fibonacci(n: int) -> int:\n \"\"\"フィボナッチ数列のn番目を返す\"\"\"\n",
suffix="\n\n# テスト\nprint(fibonacci(10)) # 55"
)
print(response.choices[0].message.content)Pixtral（マルチモーダル）
from mistralai import Mistral
import base64
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# 画像をbase64エンコード
with open("diagram.png", "rb") as f:
image_data = base64.b64encode(f.read()).decode()
response = client.chat.complete(
model="pixtral-large-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "このアーキテクチャ図を分析して、改善点を指摘してください"
},
{
"type": "image_url",
"image_url": f"data:image/png;base64,{image_data}"
}
]
}
]
)
print(response.choices[0].message.content)Embedding（ベクトル化）
from mistralai import Mistral
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# テキストをベクトルに変換
response = client.embeddings.create(
model="mistral-embed",
inputs=[
"TypeScriptの型システムについて",
"JavaScriptのプロトタイプ継承",
"PythonのデコレーターパターN"
]
)
for i, embedding in enumerate(response.data):
print(f"テキスト{i}: {len(embedding.embedding)}次元のベクトル")
print(f" 最初の5要素: {embedding.embedding[:5]}")RAGシステムの構築
from mistralai import Mistral
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
# ドキュメントの準備
documents = [
"FastAPIはPythonの高速Webフレームワークです。Pydanticを使った型検証が特徴です。",
"Next.jsはReactベースのフルスタックフレームワークです。SSRとSSGをサポートします。",
"TypeScriptはJavaScriptのスーパーセットで、静的型付けが特徴です。",
"DockerはコンテナベースのアプリケーションデプロイツールでOSに依存しません。",
]
def embed_text(texts: list[str]) -> np.ndarray:
response = client.embeddings.create(
model="mistral-embed",
inputs=texts
)
return np.array([e.embedding for e in response.data])
# ドキュメントをベクトル化して保存
doc_embeddings = embed_text(documents)
def rag_query(question: str, top_k: int = 2) -> str:
# 質問をベクトル化
q_embedding = embed_text([question])
# コサイン類似度で関連ドキュメントを検索
similarities = cosine_similarity(q_embedding, doc_embeddings)[0]
top_indices = np.argsort(similarities)[::-1][:top_k]
# 関連ドキュメントをコンテキストとしてLLMに渡す
context = "\n".join([documents[i] for i in top_indices])
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "system",
"content": f"以下のコンテキストを基に質問に答えてください：\n{context}"
},
{"role": "user", "content": question}
]
)
return response.choices[0].message.content
print(rag_query("FastAPIの特徴を教えてください"))
print(rag_query("TypeScriptとJavaScriptの違いは何ですか？"))OpenAI SDK との互換性
MistralはOpenAI互換エンドポイントを提供しており、既存コードをほぼそのまま移行できます：
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("MISTRAL_API_KEY"),
base_url="https://api.mistral.ai/v1"
)
response = client.chat.completions.create(
model="mistral-small-latest",
messages=[{"role": "user", "content": "こんにちは"}]
)
print(response.choices[0].message.content)コスト比較（2026年3月時点）
| モデル | 入力 (1M tokens) | 出力 (1M tokens) |
|---|---|---|
| Mistral Small | $0.20 | $0.60 |
| Mistral Large 2 | $2.00 | $6.00 |
| GPT-4o | $2.50 | $10.00 |
| Claude Sonnet 4.6 | $3.00 | $15.00 |
Mistral SmallはGPT-4oの約12分の1のコストで高品質な出力を提供します。
まとめ
Mistral AIはコスト効率・オープンソース・欧州プライバシー規制準拠で差別化されています。
Mistralが特に向いているシナリオ:
- コストを抑えた大量バッチ処理
- コード生成・補完（Codestral）
- 欧州のGDPR準拠が必要なアプリ
- セルフホスト（Mixtralのオープンソース版）