Créer un chatbot IA avec Claude API en Python — Tutoriel débutant 2026

Claude est le modèle de langage développé par Anthropic. En 2026, Claude 3.7 et Claude 4 sont parmi les LLM les plus capables pour les tâches complexes (analyse de code, raisonnement, rédaction longue). Et l'API est remarquablement bien conçue pour les développeurs.

Prérequis

• Python 3.8+
• Un compte Anthropic (plan gratuit disponible avec crédits d'essai)
• Notions de base en Python

Étape 1 — Créer votre compte et obtenir une clé API

1. Allez sur console.anthropic.com
2. Créez un compte gratuit
3. Dans "API Keys", cliquez sur "Create Key"
4. Copiez la clé — vous ne pourrez plus la voir après

Stockez-la dans une variable d'environnement, jamais en dur dans votre code :

export ANTHROPIC_API_KEY="sk-ant-votre-cle-ici"

Étape 2 — Installer le SDK Python

pip install anthropic

Étape 3 — Votre premier appel API

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Explique-moi les closures en Python en 3 phrases."}
    ]
)

print(message.content[0].text)

C'est tout. Vraiment. Lancez ce script et vous aurez une réponse de Claude en quelques secondes.

Étape 4 — Créer un vrai chatbot avec historique

Un chatbot doit se souvenir de la conversation. Voici comment gérer l'historique :

import anthropic

client = anthropic.Anthropic()
conversation_history = []

def chat(user_message):
    # Ajouter le message utilisateur à l'historique
    conversation_history.append({
        "role": "user",
        "content": user_message
    })

    # Appel API avec tout l'historique
    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        system="Tu es un assistant utile et concis. Tu réponds en français.",
        messages=conversation_history
    )

    # Extraire la réponse
    assistant_message = response.content[0].text

    # Ajouter la réponse à l'historique
    conversation_history.append({
        "role": "assistant",
        "content": assistant_message
    })

    return assistant_message

# Interface de chat simple
print("Chatbot Claude — tapez 'quit' pour quitter")
while True:
    user_input = input("\nVous : ")
    if user_input.lower() == "quit":
        break
    response = chat(user_input)
    print(f"\nClaude : {response}")

Étape 5 — Ajouter une personnalité avec le system prompt

Le paramètre system est l'outil le plus puissant de l'API. Il définit le comportement et la personnalité du chatbot :

system_prompt = """
Tu es Alex, un assistant expert en productivité et en automatisation.
- Tu réponds toujours en français
- Tes réponses sont courtes et actionnables (max 3 paragraphes)
- Tu suggères toujours une action concrète à la fin de chaque réponse
- Tu es enthousiaste mais pas excessif
"""

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=1024,
    system=system_prompt,
    messages=[{"role": "user", "content": "Comment mieux gérer mon temps ?"}]
)

Étape 6 — Créer une API Flask pour servir le chatbot

from flask import Flask, request, jsonify
import anthropic

app = Flask(__name__)
client = anthropic.Anthropic()

@app.route('/chat', methods=['POST'])
def chat():
    data = request.json
    messages = data.get('messages', [])

    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=1024,
        system="Tu es un assistant utile. Réponds en français.",
        messages=messages
    )

    return jsonify({
        "response": response.content[0].text,
        "usage": {
            "input_tokens": response.usage.input_tokens,
            "output_tokens": response.usage.output_tokens
        }
    })

if __name__ == '__main__':
    app.run(debug=True, port=5000)

Testez avec curl :

curl -X POST http://localhost:5000/chat \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "Bonjour !"}]}'

Tarification — Ce que ça coûte vraiment

Pour un chatbot avec 1000 conversations/jour de ~500 tokens chacune, comptez environ 2-5$ par mois avec Haiku. Très accessible.

Bonnes pratiques

• Gérez les erreurs : wrappez vos appels dans try/except pour gérer les rate limits
• Limitez l'historique : gardez les N derniers messages pour éviter des coûts excessifs
• Loggez les conversations : indispensable pour débugger et améliorer le système prompt
• Utilisez le streaming : pour un affichage en temps réel (UX bien meilleure)

Aller plus loin

• Tool use (function calling) : laissez Claude appeler vos propres fonctions Python
• Vision : envoyez des images à analyser
• Prompt caching : réduisez les coûts sur les system prompts longs