Votre première requête

L’environnement Google Cloud est configuré, les identifiants sont en place : passons à la pratique avec le SDK Python Anthropic pour envoyer votre première requête à Claude via Vertex AI. À la fin de cette leçon, vous aurez fait l’aller-retour complet — question envoyée, réponse reçue — et rencontré les trois paramètres qui reviendront dans chaque appel du cours.

Installer le SDK

Dans votre notebook Jupyter, installez le SDK avec le support Vertex AI :

%pip install "anthropic[vertex]"

Le suffixe [vertex] installe, en plus du SDK de base, les composants spécifiques à Google Cloud Vertex AI — notamment la gestion de l’authentification Google. C’est lui qui permettra au client de retrouver tout seul les Application Default Credentials configurées à la leçon précédente.

Créer un client API

Importez et créez une instance client dédiée à Vertex AI :

from anthropic import AnthropicVertex

client = AnthropicVertex(region="global", project_id="votre-project-id")
model = "claude-sonnet-5"  # identifiant exact (suffixe @date) : voir la fiche Model Garden

La classe AnthropicVertex remplace le client Anthropic standard : même interface, mais l’authentification et le routage passent par Google Cloud. Remplacez "votre-project-id" par l’identifiant de votre projet — c’est lui qui porte la facturation. Deux remarques utiles : la région "global" laisse Google router la requête, mais des régions spécifiques sont disponibles si vos données doivent rester dans une zone géographique donnée ; et sur Vertex, les identifiants de modèles portent un suffixe de version daté (@AAAAMMJJ) — l’identifiant exact du modèle activé figure sur sa fiche dans le Model Garden. Stocker le modèle dans une variable évite de le retaper à chaque appel, et centralise le changement le jour où vous montez de version.

La fonction create

Toutes nos requêtes passeront par client.messages.create, qui prend trois paramètres obligatoires :

• model : le nom du modèle Claude
• max_tokens : limite de sécurité sur la longueur de la réponse (un budget, pas un objectif)
• messages : l’historique de conversation envoyé à Claude

Le paramètre max_tokens mérite qu’on insiste : c’est un plafond, pas une consigne. Claude ne cherche pas à l’atteindre — il s’arrête quand sa réponse est finie ; le plafond ne sert qu’à borner les cas où elle s’éternise, et donc votre facture. Une réponse tronquée par ce plafond se reconnaît à son stop_reason.

Structure d’une requête

message = client.messages.create(
    model=model,
    max_tokens=1000,
    messages=[
        {
            "role": "user",
            "content": "Qu'est-ce que l'informatique quantique ? Réponds en une phrase"
        }
    ]
)

Chaque message est un dictionnaire avec un rôle ("user" ou "assistant") et un content (le texte). Notre liste n’a ici qu’un seul message utilisateur — c’est le strict minimum — mais cette structure de liste est la clé de tout ce qui suit : c’est en y accumulant les tours successifs qu’on construira de vraies conversations, dès la prochaine leçon.

Extraire la réponse

L’objet retourné contient la réponse et ses métadonnées ; pour obtenir uniquement le texte généré par Claude :

message.content[0].text

Le chemin se lit de droite à gauche : content est une liste de blocs — un message peut en contenir plusieurs, nous le verrons avec les outils —, [0] prend le premier, .text en extrait le texte. Ce patron reviendra si souvent dans vos interactions avec l’API qu’il deviendra un réflexe.

Points clés à retenir

• anthropic[vertex] + AnthropicVertex : même SDK qu’Anthropic direct, authentification et facturation Google Cloud
• Sur Vertex, les IDs de modèles sont versionnés par date — la fiche Model Garden fait foi
• Trois paramètres obligatoires : model, max_tokens (un plafond de sécurité, pas un objectif), messages
• Un message = un dictionnaire rôle + contenu ; la liste de messages portera bientôt des conversations entières
• message.content[0].text : le patron d’extraction du texte, à mémoriser