AgentGC：基于LLM驱动多智能体的基因组数据进化式无损压缩
人工智能
2026-01-21 v1
摘要
无损压缩在基因组数据（GD）存储、共享和管理方面取得了重大进展。当前基于学习的方法不可进化，存在低级压缩建模、适应性有限和用户界面不友好等问题。为此，我们提出了AgentGC，这是首个基于进化智能体的GD压缩器，由名为Leader和Worker的多智能体组成3层结构。具体而言，1）用户层通过结合LLM的Leader提供用户友好的界面；2）认知层由Leader驱动，集成LLM以考虑算法-数据集-系统的联合优化，解决低级建模和适应性有限的问题；3）压缩层由Worker主导，通过自动化的多知识学习压缩框架执行压缩与解压。在AgentGC的基础上，我们设计了3种模式以支持不同场景：压缩比优先的CP模式、吞吐量优先的TP模式和均衡的BM模式。在9个数据集上与14个基线相比，平均压缩比增益分别为16.66%、16.11%和16.33%，吞吐量增益分别为4.73倍、9.23倍和9.15倍。
引用
@article{arxiv.2601.13559,
title = {AgentGC: Evolutionary Learning-based Lossless Compression for Genomics Data with LLM-driven Multiple Agent},
author = {Sun Hui and Ding Yanfeng and Huidong Ma and Chang Xu and Keyan Jin and Lizheng Zu and Cheng Zhong and xiaoguang Liu and Gang Wang and Wentong Cai},
journal= {arXiv preprint arXiv:2601.13559},
year = {2026}
}