测试多个模型时编排器管理困难，考虑自建控制流

使用Kimi K3、Qwen3.8等模型，我想在所有基准测试上测试所有模型，但管理起来越来越困难……我的流程是让一个编排器（如Hermes或OpenClaw）管理数百个agent会话，但它会丢失跟踪且运行不佳。你用什么？认真考虑构建自己的控制流，可以插入到现有agent中：