blog

AIブログ

mistral 使い方｜2026年版ガイド

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

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

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

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...
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

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...
Vector Lakebase ベクターDB RAG——Zillizが示す統合AIデータ基盤の論点

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...