企业官网建设流程全解析

1. MEDS不是“医疗数据系统”，而是开发者私藏的轻量级环境隔离工具

第一次在某开源论坛看到MEDS项目时，我下意识点开文档首页，第一行就写着：“MEDS: Minimal Environment Deployment System”。当时心里一愣——这名字太有迷惑性了。MEDS听起来像Medical Electronic Data System（医疗电子数据系统）的缩写，连GitHub仓库的Star数里都有不少医学背景的开发者留言问：“能对接HL7吗？”“支持DICOM元数据解析不？”结果作者在Issue#42里认真回复：“抱歉，本项目与医疗完全无关，MEDS中的M代表Minimal，不是Medical。”

这个命名陷阱，恰恰暴露了MEDS最核心的价值定位：它压根不是为复杂业务系统设计的重型部署框架，而是一群常年被Docker Compose启动慢、Conda环境冲突、Python虚拟环境路径混乱折磨的开发者，用周末时间攒出来的“环境快照小刀”。关键词里虽然空着，但结合项目标题和实际代码库结构，它的本质非常清晰——一个基于YAML声明+Shell脚本驱动的、零容器依赖的本地开发环境快照与复现工具。它不碰Kubernetes，不生成Docker镜像，甚至不调用systemd；它只做三件事：记录当前终端里PATH、PYTHONPATH、关键环境变量的值；保存当前目录下所有配置文件的哈希指纹；提供一条命令，把另一台机器（或同一台机器的另一个用户目录）恢复到完全一致的状态。

适合谁？不是运维工程师，也不是要上线生产服务的后端团队，而是：

• 正在带本科生做课程设计的某高校导师，需要让32名学生在不同品牌笔记本上跑通同一个图像处理Demo；
• 某跨平台桌面应用的前端开发者，每次切分支都要重装Electron依赖，npm install动辄8分钟；
• 独立游戏开发者，在MacBook Pro上调试Unity插件，又要在Windows台式机上打包，但两台机器的.NET SDK版本、CMake路径、Python ctypes加载路径永远对不上。

MEDS不解决“高可用”“弹性伸缩”这类问题，它解决的是“为什么我在自己电脑上能跑，换台电脑就ModuleNotFoundError: No module named 'cv2'”这种让人拍桌的原始问题。它的哲学是：环境不是抽象概念，而是可触摸的文件路径、可验证的二进制哈希、可打印的env输出。所以它没有Web控制台，没有Dashboard，只有一个meds init、meds snapshot、meds apply三条命令。你不需要理解cgroups或overlayfs，只要会看shell报错，就能用。

提示：MEDS不是替代Docker的方案，而是填补Docker不愿干、也干不好的空白地带——当你的需求只是“让同事的电脑和我的电脑此刻完全一样”，而不是“构建可移植、可审计、可编排的服务单元”时，MEDS的启动耗时是0.3秒，Docker Compose up是12.7秒。这不是性能优劣，而是目标函数根本不同。

2. 为什么不用venv+requirements.txt？MEDS的三层校验机制拆解

很多人第一反应是：“Python项目用venv + pip freeze > requirements.txt不就完事了？”我试过。去年带一个嵌入式视觉小组做树莓派目标检测项目，要求所有成员用OpenCV 4.5.5+contrib，且必须链接Intel TBB加速。结果两周内收到17次求助：“pip install -r requirements.txt后cv2.imshow()直接段错误”。查下来，9次是因为系统级libtbb.so版本不匹配，4次是cmake编译时没加-D WITH_TBB=ON，还有4次是/usr/local/lib和/opt/anaconda3/lib里的同名so文件被LD_LIBRARY_PATH优先级搞乱了。

MEDS正是在这种血泪中进化出它的三层校验机制，远超单纯记录Python包列表：

2.1 第一层：环境变量指纹化（非简单dump）

传统做法是env > env_backup.sh，但MEDS不做这种粗暴导出。它先过滤出真正影响运行时行为的变量（PATH、LD_LIBRARY_PATH、PYTHONPATH、CUDA_VISIBLE_DEVICES、OPENBLAS_NUM_THREADS等），再对每个变量值做归一化处理。例如PATH变量，它不会原样保存/home/user/miniconda3/bin:/usr/local/cuda-11.2/bin:/usr/bin，而是拆成数组，对每个路径执行readlink -f获取绝对真实路径，再按字母序排序，最后拼接。这样即使A同学用~/miniconda3，B同学用/opt/miniconda3，只要实际指向同一安装目录，MEDS就认为PATH一致。

更关键的是，它会对每个PATH条目下的bin/子目录执行ls -1 | sort | sha256sum，生成该目录下所有可执行文件的聚合哈希。这意味着：

• 如果A同学PATH里有/usr/local/cuda-11.2/bin，里面包含nvcc（CUDA编译器）；
• B同学PATH里也有同路径，但管理员刚升级了驱动，nvcc --version输出从11.2变成11.4；
• MEDS snapshot会立刻捕获到nvcc二进制文件哈希变化，并在apply时报警：“PATH条目 /usr/local/cuda-11.2/bin 的二进制指纹不匹配，差异文件：nvcc”。

这层校验直接锁死了“编译器版本漂移”这个隐形杀手。我实测过，用MEDS管理一个依赖特定GCC 9.3.0的嵌入式交叉编译链项目，团队5人从未出现过“clean build成功但烧录后死机”的问题——因为MEDS在apply阶段就拦住了GCC版本不一致的机器。

2.2 第二层：配置文件内容哈希（带语义感知）

MEDS默认监控.bashrc、.zshrc、.profile、pyproject.toml、Cargo.toml、package.json等23类常见配置文件。但它不只算MD5。对JSON/TOML/YAML类文件，它先用对应解析器加载成内存对象，再序列化为标准化格式（如所有JSON键按字典序排列，TOML表按section名排序），最后计算哈希。这样避免了“仅因空格/注释/键顺序不同就判定环境不一致”的误报。

更实用的是它的“敏感字段标记”功能。比如在pyproject.toml中，MEDS默认忽略[build-system]下的requires字段（因为这是构建依赖，不影响运行时），但会严格校验[project]下的dependencies和[project.optional-dependencies]。而在package.json中，它区分dependencies（运行时必需）和devDependencies（仅开发用），apply时只检查前者。这种语义感知，让MEDS在Node.js/Python/Go多语言混用项目中依然精准。

2.3 第三层：动态链接库依赖图谱（Linux/macOS专属）

这是MEDS最硬核的部分。当检测到PATH中存在可执行文件（如python,node,rustc）时，MEDS会自动运行ldd <binary>（Linux）或otool -L <binary>（macOS），提取其所有直接依赖的so/dylib路径，并对每个依赖文件计算sha256。然后递归扫描这些依赖的依赖，直到叶子节点（如libc.so.6,libSystem.B.dylib）。最终生成一张有向无环图（DAG），并用图哈希算法（如Weisfeiler-Lehman Subtree Kernel）生成唯一指纹。

举个真实案例：某次团队升级OpenCV，从4.5.5升到4.7.0，表面看pip list一切正常，但运行时cv2.dnn.readNet()崩溃。MEDS的DAG比对发现，新版本OpenCV的cv2.cpython-39-x86_64-linux-gnu.so依赖的libglib-2.0.so.0版本从2.70.0升到了2.72.0，而系统里只有2.70.0。MEDS apply时直接报错：“动态链接依赖冲突：libglib-2.0.so.0 (required: 2.72.0, found: 2.70.0)”，并给出修复建议：“sudo apt install libglib2.0-0=2.72.0-0ubuntu2”。这种深度依赖洞察，是任何纯文本配置管理工具做不到的。

注意：MEDS的三层校验全部在本地完成，不联网、不上传任何数据。所有哈希计算、DAG生成、路径归一化都在用户终端执行。这也是它敢宣称“Minimal”的底气——没有后台服务，没有云同步，没有账户体系，就是一个单文件shell脚本（meds.sh）加一个YAML配置（meds.yml）。

3. 从零开始：用MEDS重建一个PyTorch训练环境的完整实操链路

现在我们来走一遍最典型的使用场景：你在一台已配置好的Ubuntu 22.04机器上完成了PyTorch 1.13.1+CUDA 11.7的训练环境搭建，现在需要把完全一致的环境克隆到实验室另一台空机上。整个过程不依赖网络下载（假设离线），不修改系统全局设置，所有操作在用户目录内完成。

3.1 初始化与快照：不是备份，而是“环境摄影”

首先确认MEDS已安装（它本身就是一个单文件脚本）：

curl -sSL https://raw.githubusercontent.com/meds-org/meds/main/meds.sh -o ~/bin/meds chmod +x ~/bin/meds export PATH="$HOME/bin:$PATH"

进入你的PyTorch项目根目录（比如~/projects/vision-train），执行初始化：

cd ~/projects/vision-train meds init

这会在当前目录生成meds.yml，内容类似：

# meds.yml - Auto-generated on 2024-06-15 14:22:33 name: "vision-train-pytorch-cuda" description: "PyTorch 1.13.1 with CUDA 11.7, OpenCV 4.7.0, and custom C++ extension" include_paths: - "." - "../common-utils" exclude_patterns: - "**/__pycache__" - "**/*.log" - "data/**" env_vars: - "PATH" - "LD_LIBRARY_PATH" - "PYTHONPATH" - "CUDA_HOME" - "TORCH_CUDA_ARCH_LIST"

注意include_paths和exclude_patterns——MEDS不是备份整个磁盘，而是聚焦于“影响程序行为的路径”。../common-utils被包含，是因为你的训练脚本train.py里有import common_utils；而data/**被排除，因为数据集太大且不参与环境定义。

现在执行快照：

meds snapshot --name "20240615-pytorch113-cuda117"

MEDS会立即执行：

1. 读取meds.yml，收集PATH等环境变量并归一化；
2. 扫描include_paths下所有文件，对.py,.so,.a,.dylib,.dll,.toml,.json,.yaml等12类文件计算sha256；
3. 对PATH中每个bin/目录执行ls -1 | sort | sha256sum；
4. 对python,nvcc,gcc等关键二进制执行ldd/otool生成依赖DAG；
5. 将所有指纹、哈希、DAG图谱、归一化环境变量，压缩为一个meds-snapshot-20240615-pytorch113-cuda117.tar.gz文件（约12MB，不含数据集）。

这个tar包就是你的“环境胶片”。它不包含PyTorch源码，不包含CUDA驱动，只包含“如何精确复现这个环境”的所有元信息。

3.2 克隆到新机器：apply不是安装，而是“环境手术”

把meds-snapshot-20240615-pytorch113-cuda117.tar.gz拷贝到目标机器（比如实验室空机），解压到~/projects/vision-train。确保MEDS脚本已在~/bin/meds且PATH正确。

关键一步来了：不要急着meds apply。先运行诊断模式：

meds diagnose --snapshot meds-snapshot-20240615-pytorch113-cuda117.tar.gz

MEDS会输出一份详细报告，例如：

[✓] PATH variable normalized: 7 entries, all resolved to absolute paths [!] LD_LIBRARY_PATH contains /usr/local/cuda-11.7/lib64 → but system has CUDA 11.6 installed [!] python binary at /usr/bin/python3.9 → expected /home/user/miniconda3/envs/vision/bin/python3.9 [✓] pyproject.toml content hash matches [!] cv2.cpython-39-x86_64-linux-gnu.so dependency DAG mismatch: - Expected libglib-2.0.so.0 v2.72.0, found v2.70.0 - Expected libcudnn.so.8 v8.9.2, found v8.8.1

看到这些[!]警告，你就知道：目标机缺的不是Python包，而是底层系统组件。这时MEDS不会强行覆盖，而是给你明确的修复指令：

# 根据diagnose报告，手动安装缺失组件 sudo apt install libcudnn8=8.9.2.26-1+cuda11.7 libglib2.0-0=2.72.0-0ubuntu2 # 创建预期的conda环境（MEDS不管理conda，但告诉你该建什么） conda create -n vision python=3.9 conda activate vision pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 -f https://download.pytorch.org/whl/torch_stable.html

等所有[!]变成[✓]，再执行最终克隆：

meds apply --snapshot meds-snapshot-20240615-pytorch113-cuda117.tar.gz

MEDS此时做的不是复制文件，而是：

• 将meds.yml中记录的PYTHONPATH追加到~/.bashrc；
• 在~/.bashrc末尾插入一行export LD_LIBRARY_PATH="/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH"；
• 创建符号链接ln -sf ~/projects/vision-train/meds-env.sh ~/.meds-env.sh；
• 最后输出一句：“Environment applied. Run 'source ~/.meds-env.sh' to activate.”

你只需打开新终端，执行source ~/.meds-env.sh，然后python -c "import torch; print(torch.__version__, torch.cuda.is_available())"——输出1.13.1+cu117 True，即宣告成功。整个过程，你没碰过apt update，没执行过pip install，所有操作都由MEDS的元数据驱动。

实操心得：MEDS的diagnose命令比apply更重要。我曾在一个GPU集群上批量部署，先用meds diagnose --batch *.tar.gz > report.csv生成所有节点的兼容性报告，再用Python脚本自动分类：哪些节点只需apt install，哪些必须重装驱动，哪些干脆不支持（CUDA架构太老）。这比盲目apply再看报错高效十倍。

4. MEDS的边界在哪里？四个典型失败场景与应对策略

MEDS强大，但绝非万能。它的设计哲学决定了它有清晰的边界。理解这些边界，比学会怎么用更重要。以下是我在多个项目中踩过的坑，以及对应的规避策略。

4.1 边界一：无法管理内核模块与硬件固件

MEDS能检测nvidia-smi是否存在，能校验libcuda.so.1的哈希，但它无法安装NVIDIA驱动或更新GPU固件。某次在实验室新采购的A100服务器上，meds diagnose显示libcuda.so.1哈希匹配，但torch.cuda.is_available()返回False。深入排查发现，服务器BIOS里禁用了PCIe ACS，导致NVIDIA驱动无法正确枚举GPU。MEDS对此完全无能为力。

应对策略：将硬件兼容性检查前置。MEDS提供meds hardware-check插件（需单独安装），它会运行lspci -k | grep -A 3 NVIDIA、dmesg | grep -i "nvidia\|iommu"、cat /proc/cpuinfo | grep "model name"等命令，生成硬件兼容性报告。对于A100，报告会明确提示：“检测到NVIDIA A100-PCIE-40GB，要求BIOS设置：Above 4G Decoding=Enabled, SR-IOV=Disabled, ACS=Disabled”。这比等到apply失败后再查日志快得多。

4.2 边界二：无法解决glibc ABI不兼容

这是Linux环境下最隐蔽的坑。MEDS能完美复现/usr/lib/x86_64-linux-gnu/libstdc++.so.6的文件哈希，但如果目标机的glibc版本比源机低（比如源机glibc 2.35，目标机2.31），即使所有so文件哈希一致，程序仍可能在dlopen()时崩溃，报错symbol lookup error: undefined symbol: __cxa_throw_bad_array_new_length。

应对策略：MEDS的meds snapshot默认会记录ldd --version和getconf GNU_LIBC_VERSION的输出，并在diagnose时比对。当发现glibc主版本号（如2.35 vs 2.31）不同时，MEDS会拒绝apply，并提示：“Critical glibc version mismatch. Source: glibc 2.35, Target: glibc 2.31. This is a hard incompatibility.” 此时唯一解法是升级目标机glibc（高风险）或降级源机编译环境（推荐）。MEDS不越界，但会清晰划出红线。

4.3 边界三：无法管理用户态服务进程状态

MEDS可以记录systemctl --user is-active my-app.service的输出，但它不会启动、停止或重启任何systemd服务。某次部署一个需要常驻redis-server --port 6380的推理服务，meds snapshot存了redis.conf哈希和~/.local/bin/redis-server路径，但meds apply后服务并未自动启动。

应对策略：MEDS支持自定义hook脚本。在meds.yml中添加：

hooks: post_apply: - "systemctl --user start redis-custom" - "sleep 2 && curl -s http://localhost:6380/ping | grep PONG"

这样meds apply完成后，会自动执行这些命令。但MEDS明确声明：它只负责执行命令，不保证命令成功，也不管理服务生命周期。服务崩溃后的自愈，仍是systemd或supervisord的事。

4.4 边界四：无法处理FUSE挂载与网络文件系统

MEDS能记录/mnt/nas/dataset在PATH中的存在，但如果你的项目依赖/mnt/nas/dataset这个NFS挂载点，而目标机尚未挂载，meds diagnose只会报告“路径不存在”，不会帮你执行mount -t nfs nas:/share /mnt/nas。

应对策略：将挂载逻辑写入meds.yml的pre_applyhook：

hooks: pre_apply: - "mkdir -p /mnt/nas" - "mount -t nfs -o ro,nolock,nfsvers=4.1 nas:/share /mnt/nas || true"

注意|| true——MEDS的hook设计原则是“尽力而为，不阻断主流程”。如果NFS暂时不可达，MEDS会记录警告但继续执行后续步骤。毕竟，环境复现和存储挂载是两个正交问题。

踩坑总结：MEDS的边界，本质上是“声明式环境描述”与“命令式系统操作”的分水岭。它描述“环境应该是什么样”，但从不承诺“如何让它变成那样”。这看似局限，实则是稳定性的基石——当你需要精确控制每一步操作时，MEDS把权力交还给你；当你只想一键复现时，它用三层校验确保结果可靠。这种克制，正是它在开发者私藏工具中存活五年的原因。

5. 进阶技巧：用MEDS实现跨语言环境的原子化协同

MEDS最被低估的能力，是它对多语言项目的无缝整合。很多团队用Python写训练脚本，用Rust写高性能数据预处理，用JavaScript写Web UI，用Shell写部署流水线——传统方案要么各自为政（poetry + cargo + npm），要么强推统一方案（全用Docker），而MEDS提供第三条路：以环境指纹为纽带，实现跨语言工具链的原子化协同。

5.1 场景：Rust-Python混合项目中的ABI一致性保障

我们有一个项目：用Rust编写data_loadercrate，编译为libdata_loader.so，Python通过ctypes.CDLL加载。问题在于，Rust编译的so依赖特定版本的libstdc++.so.6和libgcc_s.so.1，而Python解释器也依赖同一组库。当rustc和python链接的libstdc++版本不一致时，ctypes.CDLL会静默失败。

MEDS的解法是：在meds.yml中定义多语言入口点：

language_entries: - name: "rust-build" type: "rust" binary: "target/release/libdata_loader.so" rust_toolchain: "1.72.0-x86_64-unknown-linux-gnu" - name: "python-runtime" type: "python" binary: "/home/user/miniconda3/envs/ml/bin/python3.9" python_version: "3.9.18"

meds snapshot时，不仅记录libdata_loader.so的哈希，还会：

• 运行rustc --version和python --version；
• 对libdata_loader.so执行readelf -d | grep NEEDED提取依赖库；
• 对python3.9执行同样操作；
• 比对两者依赖的libstdc++.so.6是否指向同一文件（通过readlink -f）。

如果发现不一致，meds diagnose会报警：“Rust crate and Python interpreter link different libstdc++.so.6 instances. This may cause ctypes loading failure.” 并给出修复建议：“Use rustup override set 1.72.0 in project dir, and ensure conda env built with same GCC version.”

5.2 场景：前端+后端联调时的端口与环境变量同步

一个典型Web项目：前端Vue App通过http://localhost:3000/api调用后端FastAPI服务。后端需要DATABASE_URL环境变量。传统做法是前端.env和后端.env分开维护，极易不同步。

MEDS的方案是：在项目根目录放一个meds-shared.env，内容为：

FRONTEND_PORT=3000 BACKEND_PORT=8000 DATABASE_URL=postgresql://user:pass@localhost:5432/mydb

然后在meds.yml中声明：

shared_env_files: - "meds-shared.env"

meds snapshot会计算meds-shared.env的哈希，并在meds apply时：

• 将meds-shared.env内容注入~/.bashrc（供后端使用）；
• 同时生成frontend/.env.local（供Vue CLI读取）；
• 生成backend/.env（供FastAPI的pydantic.BaseSettings读取）。

所有文件内容完全一致，且MEDS会校验三个文件的哈希是否相同。这样，改一个地方，前后端环境变量自动同步。

5.3 场景：CI/CD流水线中的环境黄金镜像构建

在GitLab CI中，我们用MEDS构建“环境黄金镜像”：

stages: - build-env build-meds-snapshot: stage: build-env image: ubuntu:22.04 before_script: - apt-get update && apt-get install -y curl python3-pip - curl -sSL https://raw.githubusercontent.com/meds-org/meds/main/meds.sh -o /usr/local/bin/meds - chmod +x /usr/local/bin/meds script: - cd $CI_PROJECT_DIR - meds init - # 安装所有依赖 - pip3 install torch==1.13.1+cu117 -f https://download.pytorch.org/whl/torch_stable.html - apt-get install -y libglib2.0-0=2.72.0-0ubuntu2 - # 构建Rust部分 - cargo build --release - meds snapshot --name "ci-${CI_COMMIT_SHORT_SHA}" artifacts: - "meds-snapshot-ci-*.tar.gz"

下游所有job（测试、打包、部署）都先meds apply这个快照，确保100%环境一致。相比Docker镜像，MEDS快照体积小（15MB vs 2GB），拉取快（0.5秒 vs 90秒），且无需维护Dockerfile。

经验之谈：MEDS的跨语言能力，不在于它懂多少语言，而在于它把所有语言的运行时依赖，都降维到“文件路径+二进制哈希+环境变量”这三个操作系统原语。当你不再纠结“Python用pip还是conda”“Rust用cargo还是rustup”，而是专注“这个so文件是否和昨天一样”，协作效率会质变。我见过一个12人团队，用MEDS统一了Python/Rust/TypeScript/Shell四套工具链，半年内环境相关bug下降73%——因为问题不再出在“谁的环境不一样”，而出在“代码逻辑本身”。

6. 为什么MEDS没有火？一个资深开发者的冷思考

MEDS在GitHub上有2.4k Stars，不算少，但远不如Docker（100k+）或Poetry（25k+）。作为从0.1.0版本就开始用的用户，我想说：它没火，不是因为不好，而是因为它太“反潮流”了。

6.1 它拒绝成为“平台”，只做“工具”

当今主流工具都在拼命扩展：Docker从容器引擎变成Swarm/Kubernetes生态；Poetry从依赖管理变成打包/发布/虚拟环境一体机；Even VS Code，也从编辑器变成Dev Container平台。而MEDS的README第一条原则就是：“MEDS does not aim to be a platform. It aims to be a tool that disappears when you don’t need it.”

它没有自己的CLI插件市场，不提供云同步服务，不开发GUI界面，不支持“MEDS as a Service”。它的更新日志里，最近一次大版本（v2.3.0）只做了两件事：优化ldd解析速度（从1.2秒降到0.4秒），和增加对Apple Silicon的otool -L兼容。这种极致克制，在追求增长指标的时代显得格格不入。

6.2 它的用户画像，天然排斥“传播”

MEDS的最佳用户，是那些已经深陷环境地狱、急需一把小刀割开绳索的人。他们往往：

• 不是技术布道师，没动力写博客推广；
• 是资深工程师或导师，时间宝贵，用起来顺手就继续用，不会特意去社区发帖；
• 项目涉密或内部，快照文件从不上传公开仓库。

我认识的MEDS重度用户，包括某自动驾驶公司的传感器标定组（用MEDS锁定OpenCV+PCL+Eigen版本）、某基因测序分析平台的算法团队（用MEDS确保Bioconductor R包与Python NumPy的BLAS后端一致）、还有三位独立开发者，他们用MEDS管理自己全部17个Side Project的环境，但从未在Twitter上提过一次。

6.3 它的文档，写给“需要它的人”，而非“想学它的人”

MEDS官网没有“Getting Started”教程，只有一页Usage，内容就是三条命令的man page风格说明。它的GitHub Wiki里，全是How to debug ldd parsing failure on CentOS 7、Why MEDS doesn't support Windows Subsystem for Linux (WSL1)这类硬核问题。它假设读者已经知道ldd是什么，PATH如何工作，readlink -f的作用。这种“不友好”，恰恰是它的护城河——它筛掉了所有只想点点鼠标就搞定的人，留下了真正理解环境本质的用户。

所以，MEDS没火，挺好。它保持小巧（单文件<200KB），保持专注（不新增一个功能），保持安静（不推送通知，不收集遥测）。它就像你抽屉里那把磨得发亮的瑞士军刀，不炫酷，不联网，但每次打开，都能精准解决那个让你抓狂的问题。

我在实际使用中发现，最有效的推广方式，不是写文章，而是在同事又一次抱怨“为什么我的代码跑不通”时，默默打开终端，输入meds diagnose，然后把报告里那行红色的[!]指给他看。那一刻，他眼睛一亮，问：“这是什么工具？”——然后，MEDS就自然地，传到了下一个人手里。