blog

AIブログ

mistral 使い方｜2026年版ガイド

Mistralとは？まず基本を押さえる

Mistral AIは2023年にフランスで創業したAIスタートアップで、オープンソース志向の大規模言語モデル（LLM）を次々とリリースしています。Meta社のLlamaと並び、「商用・研究問わず自由に使えるLLM」として世界中の開発者から注目を集めており、2026年6月現在は現行の旗艦マルチモーダルモデルMistral Medium 3.5（エージェント・コーディング特化）、オープンウェイト汎用旗艦のMistral Large 3（別称「Mistral 3」）、軽量統合モデルのMistral Small 4、そしてオープンウェイト軽量シリーズのMinistral 3（3B／8B／14B）など、用途別に整理されたラインナップが提供されています。

本記事ではMistralをはじめて使う方から、APIやローカル環境での本格活用を目指す方まで、具体的な手順とユースケースを網羅的に解説します。「どこで動かせるのか」「何ができるのか」「どう呼び出すのか」という3つの疑問にまとめて答える構成になっているので、自分のレベルに合ったパートから読み進めてください。

Mistralを使える場所・環境の全体像

Mistralには大きく分けて3つのアクセス経路があります。それぞれ特徴が異なるため、目的に応じて使い分けることが重要です。

① Le Chat（公式チャット）

ブラウザから即利用
登録のみで無料スタート
プログラミング不要

→

② Mistral API

アプリ・サービスへ組込み
APIキーで呼び出し
従量課金

→

③ ローカル実行

自前PCやサーバーで動作
データが外部に出ない
Ollama等で手軽に構築

方法	費用	セットアップ難易度	データプライバシー	主な用途
Le Chat	無料プランあり（Pro月額あり）	★☆☆（アカウント登録のみ）	サーバー側で処理	日常的な対話・下書き・翻訳
Mistral API	従量課金（無料枠あり）	★★☆（APIキー取得＋コード）	Mistralサーバーで処理	アプリ開発・自動化・RAG
ローカル実行（Ollama等）	無料（電気代・ハード代のみ）	★★★（環境構築が必要）	完全ローカル・外部送信なし	機密データ処理・研究・カスタマイズ

【方法①】Le Chatで今すぐ使う手順

Mistral公式のチャットUI「Le Chat」は、ChatGPTと同様の感覚で使えるブラウザサービスです。アカウントさえ作れば数分で会話を始められます。

アカウント登録からチャット開始まで

公式サイトにアクセス：chat.mistral.ai をブラウザで開く。
「Sign up」を選択：メールアドレスまたはGoogleアカウントで登録。
メール認証：届いた確認メールのリンクをクリック。
モデルを選択：画面上部のドロップダウンから使いたいモデル（Mistral Small 4／Mistral Medium 3.5等）を選ぶ。
プロンプトを入力して送信：テキスト欄に質問や指示を書き、Enterキーまたは送信ボタンを押す。

Le Chatで使える主な機能

テキスト会話：質問応答・文書要約・翻訳・コード生成など、汎用的なタスクに対応。
ファイルアップロード：PDF・Word・テキストファイルを読み込ませて内容を要析させることが可能。
Web検索連携（Proプラン）：最新情報を参照しながら回答を生成する機能。
Canvas機能：文章や資料をドキュメント形式で編集しながら生成できるモード。
「Vibe」リモートコーディングエージェント（Proプラン）：Mistral Medium 3.5を駆動するエージェント機能で、終日のコーディングセッションに対応。
カスタムインストラクション：常に特定のスタイルや言語で回答させるよう事前設定できる。

効果的なプロンプトのコツ

Mistralは英語での指示に最も精度が高いとされますが、日本語プロンプトでも実用レベルの回答が得られます。より精度を上げるには以下を意識してください。

役割を与える：「あなたは経験豊富なPythonエンジニアです」のように冒頭でペルソナを設定する。
出力形式を指定する：「箇条書きで5点にまとめてください」「JSON形式で出力してください」など。
背景情報を補足する：曖昧な質問より、文脈・目的・対象読者を書いた方が精度が上がる。
段階的に深掘りする：一度で完璧な回答を求めるより、「もっと詳しく」「コードに直して」と反復するとよい結果が出やすい。

【方法②】Mistral APIを使う手順（開発者向け）

自作のアプリケーションやスクリプトにMistralを組み込む場合は、公式APIを使います。OpenAI APIと互換性の高い設計になっているため、既存のコードを流用しやすいのも特徴です。

APIキーの取得方法

console.mistral.ai にアクセスしてログイン（Le Chatと同一アカウント）。
左メニューの「API Keys」→「Create new key」を選択。
キーに名前を付けて「Generate」をクリックし、表示されたキーをコピーして安全な場所に保存する（再表示不可）。
「Billing」メニューでクレジットカードを登録するか、無料枠の範囲で利用開始。

Pythonからの基本的な呼び出し方

公式Pythonライブラリ mistralai を使う方法が最も簡単です。モデル名には現行の mistral-medium-3.5-latest や mistral-small-4-latest（Mistral Small 4）を指定できます。

# ライブラリのインストール（ターミナルで実行）

pip install mistralai
# サンプルコード

from mistralai import Mistral
client = Mistral(api_key=“YOUR_API_KEY”)
response = client.chat.complete(

    model=“mistral-small-4-latest”,

    messages=[

        {“role”: “system”, “content”: “あなたは日本語で回答するアシスタントです。”},

        {“role”: “user”, “content”: “Mistralの特徴を3点で教えてください。”}

    ]

)
print(response.choices[0].message.content)

ストリーミング出力（逐次表示）の実装

チャットUIのようにトークンを1つずつ表示させたい場合は、ストリーミングモードを使います。

with client.chat.stream(

    model=“mistral-small-4-latest”,

    messages=[{“role”: “user”, “content”: “量子コンピュータを簡単に説明して”}]

) as stream:

    for chunk in stream:

        delta = chunk.data.choices[0].delta.content

        if delta:

            print(delta, end=“”, flush=True)

Function Calling（ツール連携）の使い方

Mistralは外部ツールや自作関数をモデルに呼び出させる「Function Calling」に対応しています。これにより、カレンダーAPI・データベース・社内システムとLLMを接続した自律型エージェントを構築できます。

tools = [

    {
“type”: “function”,
“function”: {
“name”: “get_weather”,
“description”: “指定した都市の現在の天気を返す”,
“parameters”: {
“type”: “object”,
“properties”: {“city”: {“type”: “string”}},
“required”: [“city”]

            }

        }

    }

]
response = client.chat.complete(

    model=“mistral-small-4-latest”,

    messages=[{“role”: “user”, “content”: “東京の天気は？”}],

    tools=tools,

    tool_choice=“auto”

)

主要なAPIパラメータ一覧

パラメータ	型	説明	推奨値
`model`	string	使用するモデル名	mistral-small-4-latest / mistral-medium-3.5-latest
`temperature`	float (0〜1)	出力のランダム性。高いほど創造的	事実回答:0.1〜0.3 / 創作:0.7〜0.9
`max_tokens`	int	生成する最大トークン数	用途に応じて設定（512〜4096）
`top_p`	float (0〜1)	nucleus samplingの閾値	temperatureとどちらか一方を調整
`safe_prompt`	bool	安全フィルタ用プレフィックスを付加	一般公開アプリではtrue推奨

【方法③】Ollamaを使ったローカル実行手順

機密データを外部に送りたくない場合や、APIコストを抑えながら開発したい場合は、ローカル環境でMistralを動かすのが有効です。OllamaはMac・Windows・Linux問わず最もシンプルにローカルLLMを実行できるツールで、Apache 2.0ライセンスで公開されているオープンウェイトのMinistral 3シリーズ（3B／8B／14B）やMistral Large 3にも対応しています。

Ollamaのインストールと起動

ollama.com の公式サイトからインストーラをダウンロードしてインストール。
ターミナル（またはコマンドプロンプト）を開き、以下コマンドでMinistral 3（14B）をダウンロード・起動：
ollama run ministral3

初回はモデルのダウンロードが走ります。完了すると対話プロンプトが起動します。軽量な3Bモデルを試したい場合は ollama run ministral3:3b と指定してください。
終了するには /bye と入力してEnterキーを押す。

使えるMistralモデルの種類（Ollama経由、2026年6月時点）

モデル名	パラメータ	必要RAM目安	特徴
ministral3:3b	3B	8GB以上	超軽量・低スペック端末でも動作。Apache 2.0
ministral3:8b	8B	16GB以上	速度と精度のバランス・入門に最適。Apache 2.0
ministral3（14B）	14B	24GB以上	指示追従・多言語・コーディングに強い。Apache 2.0
mistral-large-3	大規模MoE	高スペック環境推奨	オープンウェイト汎用旗艦・マルチモーダル対応

なお、Mistral Medium 3.5はAPIプロプライエタリモデルのため、一般的なコンシューマー向けPCでのローカル実行はできません。Medium 3.5を使う場合は公式APIの利用を推奨します（入力$1.50／出力$7.50、百万トークン当たり・Mistral公式価格）。

OllamaのREST APIをPythonから使う

Ollamaはローカルに http://localhost:11434 でAPIサーバーを立ち上げるため、Pythonの requests ライブラリや公式のOpenAI互換エンドポイントから呼び出せます。

import requests, json
response = requests.post(

    “http://localhost:11434/api/chat”,

    json={

        “model”: “ministral3”,

        “messages”: [{“role”: “user”, “content”: “Pythonのリスト内包表記を説明して”}],

        “stream”: False

    }

)

print(response.json()[“message”][“content”])

Mistralの代表的なユースケース

環境を整えた後は、具体的に何をさせるかが重要です。以下はMistralが特に得意とするタスクと、実際のプロンプト例です。

コード生成・レビュー

Mistral Small 4およびMistral Medium 3.5はコーディングタスクに強く、Python・JavaScript・SQL・Shell等のコードを高精度で生成します。特にMedium 3.5はエージェント・コーディング用途に最適化された現行フロンティアモデルであり、複雑な実装要件にも対応できます。コード補完に特化した用途ではCodestral（コード補完モデル）やDevstral 2（ソフトウェアエンジニアリング向けコードエージェント）も選択肢に入ります。

プロンプト例（生成）：「PandasでCSVを読み込み、欠損値をゼロ埋めして、売上列の月次合計をmatplotlibで棒グラフにするPythonコードを書いて」
プロンプト例（レビュー）：「以下のPythonコードのバグと改善点を指摘して（コードを貼り付け）」

文書の要約・翻訳

長い議事録・論文・契約書をまとめたり、英日・日英翻訳に使えます。

プロンプト例（要約）：「以下の文章を、非専門家向けに200字以内で要約して（文書を貼り付け）」
プロンプト例（翻訳）：「以下の英文を自然な日本語ビジネス文章に翻訳して（文章を貼り付け）」

RAG（検索拡張生成）システムの構築

社内ドキュメントやナレッジベースと組み合わせて、根拠のある回答を返す「RAGシステム」を作る用途に向いています。LangChainやLlamaIndexとの連携も豊富なサンプルが公開されています。

ベクトルDB（ChromaDB・Qdrantなど）にドキュメントを格納
ユーザーの質問に関連するチャンクを検索してコンテキストに付加
Mistral APIに「以下の情報を参考に回答して」と渡すことで、幻覚（ハルシネーション）を大幅に低減

カスタマーサポートBot・チャットAgent

Function CallingとシステムプロンプトをうまくWebhookに接続することで、FAQへの自動回答・チケット起票・注文状況確認などのエージェントを構築できます。クリスタルメソッドでは、バーチャルヒューマン事業においてLLMを使ったマルチターン会話エンジンの活用事例を持っており、Mistral Small 4のような軽量高速モデルは低遅延が求められる対話シーンで実力を発揮します。

データ抽出・構造化

非構造化テキストから情報をJSON形式で抽出するタスクはMistralが得意とする領域です。

プロンプト例：「以下のメールから、送信者名・日付・件名・アクションアイテムをJSONで抽出して（メール本文を貼り付け）」

Mistralの各モデル比較と選び方

2026年6月現在、Mistralが提供する主要モデルは以下の通りです。用途・コスト・精度のバランスで選びましょう（料金はMistral公式 mistral.ai/pricing/ 基準・USD、円は参考値）。

モデル	規模・種別	強み	こんな用途に	APIコスト感（百万トークン）
Mistral Small 4	小型・マルチモーダル	instruct／推論／コーディング統合。非常に安価	大量バッチ処理・要約・分類・対話Bot	入力$0.10／出力$0.30
Ministral 3（3B）	超軽量・オープンウェイト（Apache 2.0）	エッジ実行向け・低スペック対応	モバイル・IoT・ローカル実行入門	最低コスト（自己ホスト可）
Ministral 3（8B）	軽量・オープンウェイト（Apache 2.0）	速度・コスト効率。テキスト＋ビジョン対応	汎用ローカル実行・ローカルRAG	低コスト（自己ホスト可）
Ministral 3（14B）	軽量・オープンウェイト（Apache 2.0）	指示追従・多言語・コーディング	ローカル実行の主力・汎用タスク全般	低〜中コスト（自己ホスト可）
Mistral Large 3（Mistral 3）	大規模MoE・オープンウェイト	汎用マルチモーダル旗艦。大手ラボ最大級のオープンMoE	高精度汎用タスク・自己ホスト大規模運用	中〜高（API利用時。自己ホスト可）
Mistral Medium 3.5	プレミア・マルチモーダル（APIプロプライエタリ）	エージェント・コーディング特化の現行フロンティア	契約書分析・高度な多段推論・複雑なコード生成・Vibeコーディング	入力$1.50／出力$7.50
Codestral	コード補完特化	Fill-in-Middle対応のコード補完	IDEプラグイン・コードレビュー	中程度（公式pricing参照）

迷ったときの選び方の目安：まず試す→Mistral Small 4（安価で高性能）、ローカル実行を始めたい→Ministral 3（8B）、さらに精度が必要→Ministral 3（14B）→高精度フロンティアが必要→Mistral Medium 3.5へ移行、コード補完メインで使う→Codestral、という順で検討すると費用対効果が高くなります。

よくあるトラブルと対処法

APIキーのエラー（401 Unauthorized）

APIキーのコピーミスや、環境変数への設定漏れが原因であることがほとんどです。コード内にキーをハードコードするのではなく、os.environ.get("MISTRAL_API_KEY") のように環境変数から読み込む実装を推奨します。

日本語の回答精度が低い

Mistralは英語データで主に学習されているため、日本語タスクでは英語プロンプトを使うか、「Respond in Japanese」をシステムプロンプトに含めると精度が改善する場合があります。Ministral 3シリーズをはじめ現行モデルはいずれも多言語対応が強化されており、日本語の自然さも向上しています。

長い文章が途中で切れる

max_tokens の値が小さす

参考文献

監修

河合継（クリスタルメソッド株式会社代表取締役）

AI・ディープラーニングに関する特許16件の発明者。過去、国立がん研究センターとの共同研究や、テレビ番組でのAI解説実績を持つAI研究者として、AIの研究開発を主導している。
運営会社について｜編集方針

Study about AI

AIについて学ぶ

Meta インドデータセンター AIインフラ——Reliance 168MW契約の深層と日本企業の実務対応

Meta インドデータセンター AIインフラ——168MW契約の要点と背景 2026年6月9日、MetaはリライアンスIインダストリーズ（Reliance I...
ワーナー Sureel AI 音楽著作権——買収の意味と日本企業への示唆

ワーナー Sureel AI 音楽著作権——買収の要点と業界的意義 2026年6月10日、Warner Music Group（以下WMG）はAIスタートアッ...
Vector Lakebase ベクターDB RAG——Zillizが示す統合AIデータ基盤の論点

Vector Lakebaseとは何か——RAGデータ基盤をめぐる問い直し 2026年6月10日、ZillizはマネージドサービスZilliz Cloudをベー...