9月15日、Hien Luuが「Grab's Agent Framework LLM-Kit Accelerates AI Agent Production Deployment」と題した記事を公開した。東南アジアの配車・デリバリー企業Grabが、社内AIエージェントフレームワーク「LLM-Kit」によって500以上のエージェントサービスを標準化し、本番投入までの期間を2週間から1時間に短縮した——その核心は「エージェントの固有ロジックは半日で書けるのに、残りの2週間は何に消えているのか」という問いへの答えだ。
「推論ループは半日、本番対応ラッパーは2週間」
Grabのエンジニアリングブログの言葉が、問題の本質を突いている。AIエージェントの「考える部分」を実装する時間より、それを本番環境に載せるための周辺作業——シークレット管理、トレーシング、サービスディスカバリ、評価基盤——の方がはるかにコストがかかっていた。
LLM-Kitが「2週間から1時間」に短縮したのは、このスキャフォールディング生成にかかる時間だ。すなわち、エージェントの推論ロジックを書き終えた後に、本番環境で動くサービスとして仕上げるまでの準備工程——セキュリティ・観測・評価の各レイヤーを手動で組み込む作業——がLLM-Kitによって自動化されている。
LLM-Kitはこの状況を解決するために作られた社内フレームワークだ。現在500以上のサービスがこの基盤上で動いており、数百万人のマーチャント・ドライバー・消費者が日常的に利用するエージェントも含まれる。
「フォームに記入すれば動くリポジトリが届く」
LLM-Kitの仕組みはシンプルだ。エンジニアがフォームを埋めると、以下がすべて組み込まれたGitLabリポジトリが払い出される：
- FastAPI ベースのWebサービス
- LangGraph によるエージェントモジュール（LLMの推論ループを管理するグラフベースのライブラリ）
- OpenTelemetry によるトレーシング（分散システムの観測標準）
- HashiCorp Vault によるシークレット管理
- サービスディスカバリ
- ROUGE・BLEU・モデルによる自動採点を備えた評価エンドポイント（初回コミットから使える）
/filters:no_upscale()/news/2026/09/grab-agent-platform/en/resources/1grab-agent-project-2-1789358480070.png)
図1: LLM-Kitが生成するFastAPIサービスのプロジェクトディレクトリ構造。トレーシング・シークレット管理・評価エンドポイントが初期状態から組み込まれており、フォーム入力直後にこの構成が払い出される（出典: Grab engineering blog）
ツールとモデルプロバイダは、どちらもハードコードされていない。
ツールはModel Context Protocol（MCP）に対応した50以上の登録済みサーバーから実行時に取得する。あるチームが登録したツールは、全エージェントから利用可能になる。
モデルへのアクセスはすべてOpenAI互換の社内ゲートウェイ「GrabGPT Gateway」を経由する。5つのプロバイダをフロントし、クレデンシャルをインジェクトするため、アプリケーションコードにプロバイダ固有の設定を書く必要がない。
「プラットフォームではなくフレームワーク」を選んだ理由
記事では、なぜ独自プラットフォームではなくフレームワークとして実装したかを明示している。
プラットフォームにすると、チームを硬直した前提に縛り付け、すぐに時代遅れになる。フレームワークであれば、開発者がすでにいる場所に合わせられる。
この判断はベンダーロックインの観点からも興味深い。アナリストのKai Waehnerは2026年4月に「エージェントAIのロックインはAPIロックインより根深い。モデル・フレームワーク・ランタイム・パターンと、複数レイヤーで同時に蓄積されるからだ」と指摘している。LLM-KitはGrabがすでに持っていたインフラを組み合わせた構成であり、特定ベンダーへの依存を最小化している。
500サービス規模になって見えてきた次の問題
LLM-Kitは「1つのエージェントを作って本番に出す」問題を解いた。しかし500サービス規模になると、課題はフレームワークからプラットフォームレイヤーに移った。
- どのモデルを使うかを統制するゲートウェイ
- チーム間でツールを再利用するリモートMCPの仕組み
- プロンプト変更が本当に改善なのかを判定するevals基盤
なお、こうしたプラットフォーム層は現在は自前で構築しなくても調達できる選択肢がある。Amazon Bedrock AgentCoreやGoogleのAgent Runtimeは、既存フレームワークで書かれたエージェントをホストしつつ、アイデンティティ・ゲートウェイ・オブザーバビリティをマネージドで提供している。
Grabは同じ文脈で、セキュリティチームによるPalana（自律エージェントの実験環境を安全に提供するプラットフォーム）や、マルチエージェントによるエンジニアリングサポートシステムなども並行して開発している。
まとめ：問題は「どのエージェントライブラリを選ぶか」ではない
記事の結論は明快だ。エージェントの固有ロジックが半日で書けるなら、残りの2週間はシークレット・トレーシング・評価のどこに使われているのか。その答えが、社内で何を標準化すべきかを決める。
詳細はGrab's Agent Framework LLM-Kit Accelerates AI Agent Production Deploymentを参照していただきたい。
