这项由加利福尼亚大学洛杉矶分校的刘耕林团队联合亚马逊公司研究人员共同完成的研究发表于2025年1月，论文编号为arXiv:2511.12997v1，为网页浏览AI带来了突破性进展。感兴趣的读者可以通过该编号查询完整论文。
想象你正在教一个机器人帮你在网上购物、预订酒店或搜索信息。现在的AI虽然很聪明，但就像患了健忘症的助手一样，每次重新开始任务时都会忘记之前犯过的错误。比如上一次它在某个网站上点错了按钮导致任务失败，下一次遇到同样情况时，它还是会犯同样的错误，就好像从来没有学过教训一样。
加州大学洛杉矶分校的研究团队注意到了这个问题。他们发现，目前最先进的网页浏览AI都有一个致命弱点：缺乏跨会话的长期记忆。这就像一个每天都会失忆的学生，无论昨天学会了什么，今天都得重新开始学习。研究团队决定为AI打造一个"经验记忆库"，让它能够从过往的成功和失败中学习，避免重复犯错。
这项研究的核心创新在于设计了一个名为WebCoach的框架系统。可以把这个系统想象成给AI配备了一位经验丰富的私人教练。这位教练不仅能记住AI之前所有的操作经历，还能在关键时刻给出针对性的建议。当AI即将重复之前的错误时，教练会及时提醒："嘿，上次你在这里点错了按钮，应该点那个蓝色的'加入购物车'而不是'以旧换新'按钮。"
研究团队在WebVoyager这个包含643个真实网页任务的测试平台上验证了他们的成果。这个测试平台涵盖了亚马逊购物、苹果官网浏览、航班预订等15个不同类型的网站，就像一个综合性的"AI驾照考试场"。测试结果令人惊艳：配备了WebCoach系统的AI在某些模型上的成功率从47%跃升至61%，提升幅度达到14个百分点，同时完成任务所需的步骤还有所减少。
一、AI的"健忘症"问题：现状分析
目前的网页浏览AI就像一个没有长期记忆的工人。每当你给它分配一个新任务时，它都是从零开始思考，完全不记得之前遇到过的类似情况。这种现象在AI领域被称为"缺乏跨会话持久性记忆"。
以在线购物为例，假设你让AI帮你在苹果官网找一款蓝色的iPhone 12 Pro 128GB并添加到购物车。AI可能会在产品页面上看到多个按钮：有"立即购买"、"加入购物车"，还有"以旧换新"等选项。如果它第一次不小心点了"以旧换新"按钮，就会被引导到一个完全不相关的页面，导致任务失败。
问题在于，当你第二次让这个AI执行类似任务时，它对之前的错误一无所知。它会再次面对同样的页面，同样的按钮，然后很可能犯同样的错误。这就像一个人每天早上醒来都会忘记昨天学到的所有经验教训一样令人沮丧。
更严重的是，AI经常会陷入循环操作中。比如在某些网站上，AI可能会不断地在两个页面之间来回跳转，或者反复点击同一个无效链接，浪费大量时间却无法完成任务。这些问题的根源都指向同一点：缺乏学习和记忆能力。
研究团队通过大量测试发现，即使是目前最先进的AI模型，在面对复杂的多步骤网页任务时，成功率往往只有40%-50%。这个数字远远达不到实用化的要求。更令人担忧的是，AI在执行任务时经常会触发验证码、陷入登录死循环或者被网站的反机器人机制拦截，这些都是缺乏经验积累导致的后果。
传统的解决方案通常是在单个任务会话内添加一些回溯机制或进度奖励，就像给AI装上了"后悔药"，让它在当前任务中能够撤销错误操作。但这种方法治标不治本，无法解决跨任务的学习问题。
二、WebCoach系统架构：三个核心组件的协同工作
WebCoach系统的设计哲学很像一个三人团队的协作模式。这个团队包括一个记录员、一个图书管理员和一个教练，他们各司其职又密切合作，共同帮助AI变得更加智能和高效。
第一个组件叫做WebCondenser，扮演的角色就像一个专业的记录员。每当AI完成一个网页浏览任务后，无论成功还是失败，WebCondenser都会详细记录整个过程。但它不是简单地复制粘贴所有操作步骤，而是像一个资深记者一样，提取出最关键的信息并整理成标准化的报告。
这份报告包含几个要素：首先是任务的简洁摘要，用3到5句话描述了整个任务的执行过程和结果；其次是数字化的"指纹"信息，这是一串数字编码，方便后续快速搜索相似的经历；最后是成功与失败的关键模式分析。如果任务成功了，WebCondenser会记录下哪些操作步骤起到了关键作用；如果失败了，它会分析错误发生的具体原因和位置。
第二个组件是外部记忆存储系统（EMS），就像一个超级智能的图书管理员。它负责将WebCondenser整理好的所有经验报告分类存储，并建立高效的索引系统。这个存储系统使用了一种叫做FAISS的技术，可以在毫秒级的时间内从成千上万个历史记录中找到最相关的经验。
EMS的工作方式很有趣，它会根据当前任务的特征，自动搜索出5个最相似的历史经验。比如当AI需要在亚马逊网站上搜索商品时，EMS会迅速找出之前在亚马逊或类似电商网站上的操作记录，特别是那些涉及搜索功能的经历。这种匹配不仅考虑网站类型，还会分析具体的操作模式和上下文环境。
第三个组件Coach是整个系统的大脑，扮演着经验丰富教练的角色。它会实时分析AI当前的操作情况，结合EMS提供的历史经验，判断是否需要给出指导建议。Coach的工作特别谨慎，它不会在每一步都插手，而是只在关键时刻提供帮助。
比如当Coach发现AI即将点击一个之前多次导致失败的按钮时，它会立即发出警告："根据以往经验，点击这个'以旧换新'按钮会让你偏离购买流程，建议点击旁边的'加入购物车'按钮。"这种指导不会改变AI的核心决策能力，而是像一个贴心的提醒一样帮助AI避免重复犯错。
三个组件之间的协作非常默契。每当AI开始一个新任务时，WebCondenser会先对当前情况进行初步分析，EMS立即搜索相关的历史经验，Coach则根据这些信息判断是否需要干预。在任务执行过程中，这个循环会持续进行，确保AI能够随时获得最相关的经验指导。
任务结束后，无论结果如何，WebCondenser都会将这次新的经历整理成标准报告，存入EMS中，为未来的任务积累更多经验。这样，整个系统就形成了一个自我完善的循环：经验越多，指导越准确，任务成功率越高。
三、记忆存储与检索机制：打造AI的"经验数据库"
WebCoach的记忆系统就像人脑中的海马体一样，负责将短期经历转化为长期记忆。但与人类记忆不同的是，这个系统永远不会遗忘，而且检索速度极快。
系统的存储逻辑遵循一个重要原则：只存储完整的任务经历。这就像只收藏完整看完的电影，而不保存电影片段一样。当AI正在执行任务时，WebCondenser会实时分析进展情况，但这些"半成品"信息只会临时传递给Coach用于实时指导，不会永久保存。只有当任务彻底结束时，无论成功还是失败，完整的经历才会被正式录入记忆库。
这种设计有其深刻的考量。不完整的任务记录往往包含大量无用信息和误导性数据，就像一本撕掉了结尾的悬疑小说，读者永远不知道真正的答案。而完整的任务记录则能提供清晰的因果关系，让AI明白哪些操作导致了成功，哪些选择招致了失败。
存储系统为每个经历建立了详细的"身份档案"。这个档案包含多个维度的信息：任务发生的网站域名、执行任务的AI模型类型、任务的具体目标、完成时间、成功与否、总共花费的步骤数等等。更重要的是，系统会为每个经历生成一个独特的数字"指纹"，这个指纹能够精确反映任务的本质特征。
当AI需要寻找相关经验时，系统采用的检索机制非常巧妙。它首先会分析当前任务的特征，生成相应的数字指纹，然后在整个记忆库中搜索最相似的指纹。这个过程就像在图书馆中通过关键词搜索相关书籍一样，但速度要快得多。
检索算法使用了一种叫做"分层导航小世界图"的技术，这个名字听起来很复杂，但其实道理很简单。可以把整个记忆库想象成一个巨大的立体迷宫，每个经历都是迷宫中的一个房间。传统的搜索方法需要逐个房间查找，效率很低。而这种新技术则在迷宫中建立了多层快速通道，让搜索过程能够快速跳跃到最相关的区域。
实际测试显示，即使记忆库中存储了600个不同的任务经历，系统也能在不到10毫秒的时间内找到最相关的5个经验。这个速度比眨一次眼睛还要快得多。随着记忆库的不断扩大，检索时间几乎不会增加，这意味着AI的经验越多，获取相关指导的速度反而会更快。
系统还具备跨模型和跨领域的通用性。比如一个专门处理购物任务的AI积累的经验，也能够帮助另一个处理信息搜索任务的AI。这是因为很多网页操作的基本模式是相通的，比如如何使用搜索框、如何处理下拉菜单、如何避免点击广告链接等等。
为了防止AI"作弊"，系统在检索时会自动排除与当前任务完全相同的历史记录。这就像考试时不能照抄自己之前做过的原题一样，确保AI真正学会了举一反三，而不是简单地重复记忆。
四、智能指导机制：经验丰富的"私人教练"
Coach组件是WebCoach系统中最具智慧的部分，它就像一个经验丰富的导师，知道什么时候该出手相助，什么时候该让学生独立思考。这种平衡非常关键，因为过度干预会让AI失去自主学习能力，而干预不足又无法发挥经验指导的价值。
Coach的判断逻辑基于两个核心原则：预防性干预和机会性指导。预防性干预就像看到有人要踩香蕉皮时及时提醒一样，当Coach发现AI即将重复之前的错误操作时，会立即发出警告。比如AI准备点击一个之前多次导致页面卡死的链接，或者要在某个已知会触发验证码的搜索框中输入特定内容。
机会性指导则更加主动，当Coach发现历史经验中存在更高效的操作路径时，会主动建议AI采用更好的方法。比如AI正在通过复杂的菜单导航寻找某个功能，而历史记录显示直接使用搜索功能会更快到达目标，Coach就会建议："根据以往经验，直接在搜索框中输入关键词会比逐层点击菜单更有效。"
Coach的建议总是具体而实用的。它不会给出模糊的指导，比如"要小心操作"或"注意页面变化"，而是会提供可操作的具体建议。一个典型的Coach建议可能是这样的："避免点击页面右上角的'Live Chat'按钮，因为这会开启聊天窗口并阻断当前操作流程。建议点击产品图片下方的'Add to Cart'按钮来完成购买。"
为了确保建议的准确性，Coach会对历史经验进行权重评估。那些来自成功任务的经验会获得更高的权重，而反复失败的操作模式则会被标记为需要避免的陷阱。同时，Coach还会考虑经验的时效性，较新的经历通常比较老的记录更具参考价值，因为网站的界面和功能会随时间发生变化。
Coach的干预方式非常巧妙。它不会直接控制AI的行为，而是将建议以"系统消息"的形式插入到AI的思考过程中。这就像在AI耳边轻声提醒，让AI自己做出最终决定。这种方式保持了AI的自主性，同时又能有效传递经验指导。
实际应用中，Coach表现出了很强的选择性。在研究团队的测试中，Coach并不是在每一步都给出建议，而是平均每10-15步才会进行一次干预。这种节制的干预频率既避免了信息过载，又确保了关键时刻的有效指导。
Coach还具备学习能力。当它发现某个建议被AI采纳后导致了任务成功时，会提高类似建议的权重；相反，如果建议导致了新的问题，则会相应调整策略。这种自适应机制让Coach变得越来越精准，就像一个不断进步的老师一样。
五、实验验证：从47%到61%的飞跃
研究团队选择了WebVoyager作为验证平台，这是一个公认的AI网页浏览能力测试标准。WebVoyager包含643个真实的网页任务，覆盖了15个不同类型的网站，从亚马逊购物到GitHub代码搜索，从BBC新闻浏览到Google地图导航，几乎涵盖了普通用户日常会遇到的所有网页操作场景。
测试设计非常严谨，研究团队使用了三种不同规模的AI模型作为基础：7亿参数的轻量级模型、320亿参数的中等规模模型，以及380亿参数的大型模型。每个模型都分别在有无WebCoach系统的情况下进行测试，形成了完整的对比实验。
最引人注目的结果来自380亿参数的Skywork模型。在没有WebCoach的情况下，这个模型的任务成功率为47.3%，平均需要10.7个操作步骤完成任务，耗时约215秒。而在配备WebCoach系统后，成功率跃升至61.4%，提升了14.1个百分点，同时平均步骤数减少到10.2步，完成时间为395秒。
虽然完成时间有所增加，但这主要是因为WebCoach系统需要额外的处理时间来检索历史经验和生成指导建议。考虑到成功率的显著提升和步骤数的减少，这个时间成本是完全值得的。更重要的是，随着系统运行时间的延长，检索效率会不断提升，额外的时间开销会逐渐减少。
320亿参数的Qwen模型也展现出了类似的改进趋势。基础版本的成功率为49.5%，而配备WebCoach后达到了57.1%，提升了7.6个百分点。这个结果特别有意义，因为它达到了与更高级的GPT-4o模型相当的性能水平，证明了WebCoach系统能够让开源模型具备与商业闭源模型竞争的能力。
有趣的是，7亿参数的小型模型并没有从WebCoach系统中获得明显收益，成功率甚至略有下降。研究团队分析认为，这是因为存在一个"认知阈值"效应。太小的模型缺乏足够的理解能力来有效利用复杂的历史经验，就像给一个还不会加减法的小学生讲解微积分一样，反而可能造成困扰。
最令人惊喜的发现是"自我学习"效应的威力。研究团队设计了三种不同的记忆库初始化方式：使用高质量外部数据预填充、使用低质量外部数据预填充，以及让AI从空白记忆库开始自我积累经验。结果显示，自我积累经验的方式效果最好，这表明AI从自己的成功和失败中学到的经验比从别人那里"借"来的经验更加有用。
在不同网站类型的测试中，WebCoach系统在复杂网站上的改进效果更加明显。比如在苹果官网和亚马逊这样界面复杂、功能丰富的网站上，成功率提升幅度达到了15-20%。而在一些相对简单的网站上，比如剑桥词典，改进幅度相对较小。这符合预期，因为复杂任务更需要经验指导，而简单任务本身就容易完成。
研究团队还进行了详细的错误分析。他们发现，配备WebCoach系统的AI很少再犯重复性错误，比如反复点击无效链接或陷入页面循环。同时，AI学会了避开一些常见的陷阱，比如误点聊天按钮、触发不必要的弹窗或者被引导到错误的页面分支。
六、实际应用案例：从理论到实践的转化
为了更直观地展示WebCoach系统的工作原理，研究团队提供了一个完整的实际操作案例。这个案例涉及在苹果官网查找HomePod mini的颜色选项，是一个典型的信息检索任务。
整个过程从用户发出指令开始："在Apple的网站上，检查店内的HomePod mini是否有多种颜色可选，并列出这些颜色。"AI收到指令后，首先会访问苹果官网的主页。在这个初始阶段，WebCondenser开始记录AI的每一个操作步骤，包括页面加载情况、AI的观察内容以及准备执行的操作。
当AI开始在苹果官网上导航时，EMS立即启动搜索程序，寻找与苹果网站产品查询相关的历史经验。系统很快找到了一个相关度很高的历史记录：之前有一个关于查找MacBook Air颜色选项的任务。虽然产品不同，但操作模式非常相似，都涉及在苹果官网上寻找产品的颜色变体信息。
Coach分析了这个历史经验，发现了一个重要的行为模式：在之前的任务中，AI曾经在产品页面上反复滚动和搜索，最终陷入了操作循环而失败。基于这个经验，Coach决定提前介入，给出了以下建议：
"基于过往经验，避免在没有明确路径的情况下在网站上漫无目的地导航，这很重要。与其在网站上毫无头绪地浏览，不如寻找'选择你的颜色'部分或HomePod mini产品页面上的下拉菜单。如果找不到，可以考虑使用搜索功能，输入'HomePod mini颜色选项'或'HomePod mini可用颜色'等具体术语来直接定位信息。如果遇到任何导航问题或循环，立即返回产品页面并在那里查看颜色选项。"
这个建议非常具体和实用。AI接受了这个指导，没有像历史记录中那样盲目浏览，而是直接导航到了HomePod mini的产品页面，并且很快在页面上找到了颜色选择区域。
在产品页面上，AI成功识别了HomePod mini的所有可用颜色：蓝色、黄色、午夜色、白色和橙色。任务顺利完成，整个过程用时远少于历史记录中的类似任务。
任务完成后，WebCondenser立即开始整理这次新的经历。它记录下了成功的操作模式：从首页导航到TV和Home部分，然后进入HomePod mini产品页面，最后在产品页面上找到颜色选项。这些成功的步骤被标记为"成功工作流"，将来遇到类似任务时可以作为参考。
这次经历随即被存入EMS，成为记忆库中的新条目。有趣的是，这个新记录不仅对未来的HomePod查询有用，对于其他苹果产品的颜色查询任务也具有参考价值，因为它验证了一个通用的操作模式：产品页面通常是查找产品变体信息的最佳位置。
整个案例展示了WebCoach系统的完整工作循环：从历史经验检索到实时指导，从任务执行到经验积累。每个组件都发挥了应有的作用，最终实现了任务的高效完成。
七、技术创新与突破：超越传统方法的三大优势
WebCoach系统在技术层面实现了三个重要突破，这些创新不仅解决了当前AI网页浏览的核心问题，还为未来的发展奠定了基础。
第一个突破是模型无关性的设计架构。传统的AI改进方法通常需要重新训练模型或修改底层算法，这个过程既耗时又昂贵。WebCoach采用了一种"外挂式"的设计思路，就像给汽车加装导航系统一样，不需要改动发动机就能增强功能。
这种设计的优势非常明显。无论是开源的小型模型还是商业的大型模型，都可以直接使用WebCoach系统而不需要任何修改。系统通过标准的API接口与各种AI模型通信，就像使用统一的接头连接不同品牌的设备一样方便。这意味着当新的AI模型出现时，可以立即享受WebCoach带来的性能提升，而不需要等待专门的适配开发。
第二个突破是动态自我进化机制。大多数AI系统的学习过程发生在训练阶段，一旦部署就基本定型了。WebCoach打破了这个限制，实现了真正的"边使用边学习"。每完成一个任务，系统的经验库就会更新一次，指导能力就会增强一分。
这种持续学习能力特别适合应对网络环境的快速变化。网站会更新界面，功能会调整位置，新的服务会不断出现。传统的AI需要重新训练才能适应这些变化，而WebCoach可以通过日常使用自然地学会应对新情况。就像一个真正的学习者一样，经验越丰富，能力越强。
第三个突破是跨领域知识迁移能力。WebCoach的记忆系统不是按照网站或任务类型严格分类的，而是基于操作模式和行为特征进行组织。这使得在一个网站上学到的经验可以应用到完全不同的网站上。
比如AI在亚马逊上学会了如何使用搜索过滤器，这个经验也能帮助它在其他电商网站上更好地使用类似功能。在GitHub上学会的代码搜索技巧也能部分应用到其他代码托管网站。这种跨领域的知识复用大大提高了学习效率，避免了在每个新环境中都要从头开始的问题。
系统的检索算法也是一个技术亮点。它使用了最新的向量相似度搜索技术，能够理解任务之间的深层语义关联，而不仅仅是表面的关键词匹配。比如"购买iPhone"和"订购手机"在语义上是相关的，系统能够识别出这种关联性，从而提供更准确的经验匹配。
在存储效率方面，WebCoach也展现了出色的性能。即使存储了数千个任务经历，检索时间仍然保持在毫秒级别。这得益于高效的索引结构和智能的压缩算法。系统会自动合并相似的经验，去除冗余信息，确保记忆库既全面又紧凑。
八、局限性与未来展望：持续改进的路线图
尽管WebCoach系统取得了显著的成果，但研究团队也坦诚地指出了当前版本的一些局限性，并规划了未来的改进方向。
最明显的局限是系统对基础模型能力的依赖。正如实验结果所显示的，WebCoach在大型模型上效果显著，但在小型模型上效果有限甚至略有负面影响。这就像给不同水平的学生提供同样的高级教材，基础好的学生能够从中受益，而基础差的学生可能会感到困惑。
这个问题的根源在于经验指导需要一定的理解和推理能力。小型模型可能无法充分理解复杂的历史经验，也无法有效地将这些经验应用到当前情况中。研究团队正在开发针对不同规模模型的定制化指导策略，让小型模型也能从系统中获益。
另一个挑战是记忆质量的保证。虽然系统会自动过滤掉未完成的任务记录，但仍然可能积累一些低质量或误导性的经验。比如某次任务虽然最终成功了，但中间包含了很多无效操作，这些"噪音"可能会影响后续的指导质量。
为了解决这个问题，研究团队正在开发更智能的经验评估机制。新版本的系统将能够识别出经验中的关键步骤和无关操作，只保留真正有价值的部分。同时，系统还会跟踪每个经验的后续应用效果，那些反复导致成功的经验会获得更高的权重，而效果不佳的经验则会被逐渐淡化。
时间成本是另一个需要平衡的因素。虽然WebCoach显著提高了任务成功率，但也增加了执行时间。这主要是因为经验检索和建议生成需要额外的计算资源。对于某些对速度要求极高的应用场景，这可能是一个问题。
研究团队正在从多个角度优化系统性能。一方面，他们在改进检索算法的效率，目标是将检索时间进一步缩短到亚毫秒级别。另一方面，他们在开发更智能的干预策略，只在真正需要的时候提供指导，减少不必要的处理开销。
未来发展的一个重要方向是将外部记忆直接集成到AI模型的内部架构中。目前的WebCoach是一个外部系统，需要多个组件协调工作。理想的解决方案是将记忆和学习能力直接嵌入到AI模型中，实现更加无缝和高效的集成。
研究团队还计划探索基于强化学习的优化方法。目前的系统主要基于规则和经验匹配，未来版本将能够通过长期奖励信号自动优化决策策略。这将使AI不仅能从过去的经验中学习，还能主动探索更优的操作方法。
跨模态学习是另一个有前景的研究方向。目前的系统主要处理文本和网页视觉信息，未来可以扩展到语音、视频等其他模态。这将使AI能够在更复杂的多媒体环境中积累和应用经验。
最后，研究团队还在考虑如何让多个AI智能体之间共享经验。如果能建立一个全球性的经验分享网络，每个AI都能从全世界其他AI的经验中学习，那么整个系统的进步速度将会大大加快。这种协作学习模式可能会彻底改变AI的发展方式。
说到底，WebCoach系统代表了AI发展的一个重要里程碑。它第一次让AI具备了真正的长期记忆和学习能力，从根本上解决了网页浏览AI的"健忘症"问题。虽然还有改进的空间，但这个系统已经展示了让AI更加智能和实用的巨大潜力。随着技术的不断完善，我们有理由期待看到更多像WebCoach这样的创新系统，让AI真正成为人类的得力助手。
对于普通用户来说，这项研究的意义远不止技术层面的突破。它预示着一个更加智能和友好的网络环境即将到来。在不久的将来，我们可能会拥有真正聪明的AI助手，它们不仅能帮我们完成复杂的网络任务，还能从每一次交互中学习和成长。这种持续改进的AI将会让我们的数字生活变得更加便捷和高效。
Q&A
Q1：WebCoach是什么？
A：WebCoach是由加州大学洛杉矶分校和亚马逊联合开发的AI系统框架，专门解决网页浏览AI的"健忘症"问题。它通过三个核心组件为AI配备长期记忆能力：记录员WebCondenser负责整理任务经历，图书管理员EMS负责存储和检索历史经验，教练Coach负责在关键时刻提供指导建议，让AI能从过往成功和失败中学习。
Q2：WebCoach能将AI网页浏览成功率提升多少？
A：根据实验结果，WebCoach能显著提升AI的任务成功率。在380亿参数的Skywork模型上，成功率从47%跃升至61%，提升了14个百分点；320亿参数的Qwen模型成功率从49.5%提升至57.1%。同时完成任务的步骤数还有所减少，说明AI不仅更成功，操作也更高效。
Q3：普通用户什么时候能用上WebCoach技术？
A：WebCoach采用了模型无关的设计架构，可以直接应用于现有的各种AI模型而无需重新训练。目前该技术已经在学术界得到验证，但要在消费级产品中普及还需要进一步的工程化开发和优化。预计未来1-2年内，类似的记忆增强技术可能会出现在各种AI助手和自动化工具中。
<>.rich_media_content{--news-tabel-th-night-color: #444444;--news-font-day-color: #333;--news-font-night-color: #d9d9d9;--news-bottom-distance: 22px}.rich_media_content p:not([data-exeditor-arbitrary-box=image-box]){letter-spacing:.5px;line-height:30px;margin-bottom:var(--news-bottom-distance);word-wrap:break-word}.rich_media_content .qn-editor-copy p:not([data-exeditor-arbitrary-box=image-box]){letter-spacing:unset;line-height:unset;margin-bottom:unset;word-wrap:unset}.rich_media_content{color:var(--news-font-day-color);font-size:18px}@media(prefers-color-scheme:nodark){body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content p:not([data-exeditor-arbitrary-box=image-box]){letter-spacing:.5px;line-height:30px;margin-bottom:var(--news-bottom-distance);word-wrap:break-word}body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content .qn-editor-copy p:not([data-exeditor-arbitrary-box=image-box]):not(.qn-editor-copy){letter-spacing:unset;line-height:unset;margin-bottom:unset;word-wrap:unset}body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content{color:var(--news-font-night-color)}}.data_color_scheme_dark .rich_media_content p:not([data-exeditor-arbitrary-box=image-box]){letter-spacing:.5px;line-height:30px;margin-bottom:var(--news-bottom-distance);word-wrap:break-word}.data_color_scheme_dark .rich_media_content .qn-editor-copy p:not([data-exeditor-arbitrary-box=image-box]){letter-spacing:unset;line-height:unset;margin-bottom:unset;word-wrap:unset}.data_color_scheme_dark .rich_media_content{color:var(--news-font-night-color)}.data_color_scheme_dark .rich_media_content{font-size:18px}.rich_media_content p[data-exeditor-arbitrary-box=image-box]{margin-bottom:11px}.rich_media_content>div:not(.qnt-video),.rich_media_content>section{margin-bottom:var(--news-bottom-distance)}.rich_media_content hr{margin-bottom:var(--news-bottom-distance)}.rich_media_content .link_list{margin:0;margin-top:20px;min-height:0!important}.rich_media_content blockquote{background:#f9f9f9;border-left:6px solid #ccc;margin:1.5em 10px;padding:.5em 10px}.rich_media_content blockquote p{margin-bottom:0!important}.data_color_scheme_dark .rich_media_content blockquote{background:#323232}@media(prefers-color-scheme:nodark){body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content blockquote{background:#323232}}.rich_media_content ol[data-ex-list]{--ol-start: 1;--ol-list--type: decimal;list--type:none;counter-reset:olCounter calc(var(--ol-start,1) - 1);position:relative}.rich_media_content ol[data-ex-list]>li>:first-child::before{content:counter(olCounter,var(--ol-list--type)) '. ';counter-increment:olCounter;font-variant-numeric:tabular-nums;display:inline-block}.rich_media_content ul[data-ex-list]{--ul-list--type: circle;list--type:none;position:relative}.rich_media_content ul[data-ex-list].nonUnicode-list--type>li>:first-child::before{content:var(--ul-list--type) ' ';font-variant-numeric:tabular-nums;display:inline-block;transform:scale(0.5)}.rich_media_content ul[data-ex-list].unicode-list--type>li>:first-child::before{content:var(--ul-list--type) ' ';font-variant-numeric:tabular-nums;display:inline-block;transform:scale(0.8)}.rich_media_content ol:not([data-ex-list]){padding-left:revert}.rich_media_content ul:not([data-ex-list]){padding-left:revert}.rich_media_content table{display:table;border-collapse:collapse;margin-bottom:var(--news-bottom-distance)}.rich_media_content table th,.rich_media_content table td{word-wrap:break-word;border:1px solid #ddd;white-space:nowrap;padding:2px 5px}.rich_media_content table th{font-weight:700;background-color:#f0f0f0;text-align:left}.rich_media_content table p{margin-bottom:0!important}.data_color_scheme_dark .rich_media_content table th{background:var(--news-tabel-th-night-color)}@media(prefers-color-scheme:nodark){body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content table th{background:var(--news-tabel-th-night-color)}}.rich_media_content .qqnews_image_desc,.rich_media_content p[type=om-image-desc]{line-height:20px!important;text-align:center!important;font-size:14px!important;color:#666!important}.rich_media_content div[data-exeditor-arbitrary-box=wrap]:not([data-exeditor-arbitrary-box-special-]){max-width:100%}.rich_media_content .qqnews-content{--wmfont: 0;--wmcolor: transparent;font-size:var(--wmfont);color:var(--wmcolor);line-height:var(--wmfont)!important;margin-bottom:var(--wmfont)!important}.rich_media_content .qqnews_sign_emphasis{background:#f7f7f7}.rich_media_content .qqnews_sign_emphasis ol{word-wrap:break-word;border:none;color:#5c5c5c;line-height:28px;list-:none;margin:14px 0 6px;padding:16px 15px 4px}.rich_media_content .qqnews_sign_emphasis p{margin-bottom:12px!important}.rich_media_content .qqnews_sign_emphasis ol>li>p{padding-left:30px}.rich_media_content .qqnews_sign_emphasis ol>li{list-:none}.rich_media_content .qqnews_sign_emphasis ol>li>p:first-child::before{margin-left:-30px;content:counter(olCounter,decimal) ''!important;counter-increment:olCounter!important;font-variant-numeric:tabular-nums!important;background:#37f;border-radius:2px;color:#fff;font-size:15px;font-:normal;text-align:center;line-height:18px;width:18px;height:18px;margin-right:12px;position:relative;top:-1px}.data_color_scheme_dark .rich_media_content .qqnews_sign_emphasis{background:#262626}.data_color_scheme_dark .rich_media_content .qqnews_sign_emphasis ol>li>p{color:#a9a9a9}@media(prefers-color-scheme:nodark){body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content .qqnews_sign_emphasis{background:#262626}body:not([data-weui-theme=light]):not([dark-mode-disable=true]) .rich_media_content .qqnews_sign_emphasis ol>li>p{color:#a9a9a9}}.rich_media_content h1,.rich_media_content h2,.rich_media_content h3,.rich_media_content h4,.rich_media_content h5,.rich_media_content h6{margin-bottom:var(--news-bottom-distance);font-weight:700}.rich_media_content h1{font-size:20px}.rich_media_content h2,.rich_media_content h3{font-size:19px}.rich_media_content h4,.rich_media_content h5,.rich_media_content h6{font-size:18px}.rich_media_content li:empty{display:none}.rich_media_content ul,.rich_media_content ol{margin-bottom:var(--news-bottom-distance)}.rich_media_content div>p:only-child{margin-bottom:0!important}.rich_media_content .cms-cke-widget-title-wrap p{margin-bottom:0!important}