麥肯錫 Solve 攻略：拿下 Ecosystem Building 與 Red Rock Study

多年來，麥肯錫的 Problem Solving Test（PST）是一場 26 道題的紙筆筆試，靠刷題型就能攻克。這場考試已經退役了。大約從 2020 年起，麥肯錫改用 Solve 篩人——一款數字化、遊戲化的測評，如今已是全球預設形式（少數辦公室可能仍在使用舊版 PST）。Solve 沒有選擇題題型，所以"按題型定策略"已不復存在。現在真正重要的，是你怎麼玩幾乎每場必現的兩個模組——以及評分引擎如何解讀你的玩法。

Solve 是什麼，又是怎麼評分的

一次 Solve 測評是兩個小遊戲，在大約 60–81 分鐘內完成。你最可能遇到的是 Ecosystem Building 和 Red Rock Study。部分候選人會碰到 Sea Wolf 或 Plant Defense 等變體，但核心組合佔絕大多數，而且這幾個模組考察的推理能力是相通的。

最需要理解的一點，是 Solve 怎麼給你打分。它是演算法化、基於過程的。引擎會捕捉你的決策路徑——你做選擇的先後順序——以及點選和時間軸資料。它不是簡單地"數你答對了幾道"。兩個候選人可能到達相似的結局，得分卻天差地別，因為一個展現出乾淨、有章法的推理路徑，另一個則手忙腳亂。這帶來三個直接後果：

• **亂猜會被扣分。**在舊版 PST 上隨便點一個答案沒有代價，但在這裡會拖累你。引擎能區分有依據的選擇和盲目的選擇。
• **過程本身就是成品。**你如何收集資訊、按什麼順序、行動是否前後一致，全部計入得分。
• **淘汰線很陡。**這一關大約 70% 的候選人被淘汰，所以僅僅"做完"是不夠的——路徑必須自洽。

Solve 位於簡歷篩選之後、第一輪案例面試之前。兩個階段考察的底層能力一致：結構化思考、資料解讀，以及時間壓力下的剋制決策。

flowchart LR
    A[簡歷篩選] --> B[Solve 測評]
    B --> C{透過？}
    C -->|~30%| D[第一輪案例面試]
    C -->|~70%| E[淘汰]
    D --> F[第二輪案例面試]
    F --> G[最終決定]

引數	詳情
形式	數字化、遊戲化（取代紙筆版 PST）
結構	每場測評 2 個小遊戲
核心模組	Ecosystem Building + Red Rock Study
時長	總計約 60–81 分鐘
評分	演算法化 / 基於過程（決策路徑 + 時間軸資料）
亂猜	會被扣分——只認有依據的選擇
淘汰率	約 70% 的候選人

想全面瞭解這項測評以及跨形式的備考思路，先看我們的麥肯錫 Solve 備考總覽。

兩個模組概覽

每個模組考察一種不同的推理模式。Ecosystem Building 是一道約束最佳化 + 系統思維的題：你要在硬性規則下搭建一個能運轉的系統。Red Rock Study 是一場假設驅動的資料調查：你穿過一個多階段的案例，抽取正確的資料，在時限內給出準確的答案。為 Solve 備考意味著刻意練習這兩種模式，因為它們獎勵的幾乎是相反的直覺——前者要耐心地梳理規則，後者要果斷地篩選資料。

flowchart TD
    A[Solve 測評] --> B[Ecosystem Building]
    A --> C[Red Rock Study]
    B --> B1[讀懂規則與約束]
    B --> B2[選擇物種 / 搭建食物鏈]
    B --> B3[滿足熱量、鏈條長度、地形要求]
    C --> C1[在案例各階段中導航]
    C --> C2[抽取正確的資料]
    C --> C3[分析並準確作答]

模組一 —— Ecosystem Building

系統給你一個環境（比如珊瑚礁、山地或其他地形），要你挑選一組能共同存活的物種，搭建一條自我維持的食物鏈。它看著像自然遊戲，本質卻是一道約束最佳化問題。成敗不在於挑"最酷"的動物，而在於選出一個能同時滿足所有約束的組合。

分階段的應對方法：

1. 動手之前先讀規則。Ecosystem Building 專門懲罰那些還沒搞清約束就急著放物種的人。典型約束包括熱量要求（每個物種要從所吃的東西中獲得足夠能量）、食物鏈長度（鏈條必須達到規定的層級數），以及地形/深度規則（物種只能生活在滿足其條件的地方）。在選擇任何東西之前，把這些規則寫下來，或至少在心裡明確列清。

2. **從約束倒推，而不是從物種正推。**別問"我喜不喜歡這隻動物"，要問"哪一組物種能一次性滿足所有規則"。把它當作一個系統：每個生產者都要供養一個消費者，每個消費者都要有足夠熱量，整條鏈還要在地形限制內達到規定長度。這種系統視角，正是麥肯錫真正在測量的能力。

3. **先逐個核對物種是否滿足熱量與地形條件，再把它們當作一個整體核對。**單看沒問題的選擇，可能會拖垮整個系統——比如某個捕食者唯一的食物來源熱量不足，或某個物種無法在所選深度存活。個體適配和整鏈適配都要驗證。

4. **靠留餘地來避免走進死衚衕。**最常見的翻車方式，是過早鎖定物種，直到很晚才發現沒有任何組合能補全鏈條，卻已經沒時間重來。在鎖定選擇之前，先在腦中勾勒出一條可行的完整鏈條，並優先選擇那些能保留更多可能性的物種。

5. **把時間也當成一條硬約束來管理。**讀規則和做驗證都很耗時，所以要刻意為它們留出預算，並保留緩衝以修正一條沒能配平的鏈條。別讓某個卡殼的位置吞掉整個時間視窗。

贏下 Ecosystem Building 靠的，是你拆解案例時那種以約束為先的嚴謹結構化思維：先定義遊戲規則，再設計一個一次性滿足所有規則的方案，而不是隻最佳化一個變數、指望其餘的自然到位。

模組二 —— Red Rock Study

Red Rock Study 是一場多階段的資料調查。你分階段推進一個案例，每個階段都要決定收集什麼資訊、解讀圖表、做分析、並對答案作出承諾——全程都有時間壓力。這是最接近經典案例面試的模組，它獎勵假設驅動的分析：先形成一個初步判斷，再拿資料去驗證它，而不是不加取捨地把所有材料讀一遍。

分階段的應對方法：

1. **帶著意圖去導航。**前期階段會要你收集資料或探索場景。別隨手把所有東西都點開。先對"這個案例究竟在問什麼"形成一個假設，讓它引導你優先抽取哪些資訊。因為評分會讀取你的決策路徑，一次有目標的調查，比一通亂撒網要漂亮得多。

2. **抽取正確的資料，而不是全部資料。**每張圖表裡的資訊都超出你的需要。在鑽進一張圖表或表格之前，先明確你要回答的具體問題——是趨勢、是對比、還是某個驅動因素——然後精準抽取。這和"先讀題再看圖"的原則一脈相承，正是分析工作又快又準的關鍵；我們的 PST/Solve 資料解讀指南會深入訓練這項能力。

3. **用框架分析，而不是憑直覺。**當某個指標發生變化，先拆解再下結論。利潤變了？分開看收入和成本；收入變了？分開看價格和銷量。這和案例面試中的盈利性分析邏輯完全一致，能讓你的推理路徑保持乾淨、經得起追問——這恰恰是評分引擎獎勵的東西。

4. **準確作答，只認資料能證明的結論。**陷阱在於把"看似合理"當成"有據支援"。要承諾的是數字真正確立的結論，而不是感覺對的那個。如果一個論斷需要資料沒有提供的假設，它就不算被證明——把這類決策當邏輯檢驗來做。

5. **在各階段之間控好節奏。**因為 Red Rock 是多階段的，在前期階段耗光時間會餓死後面的階段。給每個階段設一個內部預算，有把握的判斷快速做完，別在某張模稜兩可的圖表上過度投入，以致犧牲案例的其餘部分。

Red Rock 獎勵那種像顧問一樣做調查的候選人：先有假設，再抽取有針對性的資料，接著做結構化分析，最後給出完全由證據支撐的結論。若想更深入地掌握資料解讀的具體門道，參見資料解讀深度指南。

兩個模組的時間管理

兩個模組要在約 60–81 分鐘內完成，時間是共享資源——而且因為亂猜會被扣分，“到最後隨便填點什麼"已經不是有效的安全網。把節奏管理當成被評分過程的一部分：

flowchart TD
    A[進入一個模組] --> B[先讀規則 / 搭建案例框架]
    B --> C{是耗時決策嗎？}
    C -->|是| D[分配時間，預留緩衝]
    C -->|否| E[做出有把握的判斷，繼續]
    D --> F{路徑仍然自洽？}
    E --> F
    F -->|是| G[進入下一階段]
    F -->|否| H[趁未鎖定，現在就修正]

• **把理解前置。**兩個模組都獎勵在前期投入的時間——Ecosystem Building 中梳理約束，Red Rock 中搭建案例框架。急著跳過準備階段，是代價最高的錯誤。
• **保護一段修正緩衝。**給自己留出重新配平食物鏈、或重看一遍分析的餘地。一條被你修好的自洽路徑，勝過一條來不及修的斷裂路徑。
• **絕不盲目填答案。**既然引擎讀取的是有依據的選擇，那麼一個深思熟慮但不完整的決策，也好過一個隨機的決策。更細緻的節奏技巧見我們的 PST/Solve 時間管理指南。

Solve 備考計劃

你沒法靠背答案速成 Solve——模組是程式化生成、變化多端的，評分讀取的又是過程。要練的是那兩種推理模式本身。

天數	重點	每日練習
第 1–2 天	熟悉入門	讀Solve 備考總覽。理解兩個模組，以及評分是基於過程的。各模組試玩一遍。
第 3–4 天	Ecosystem Building —— 約束	練習約束最佳化類題目。反覆訓練：先讀規則、從約束倒推、鎖定前先驗證整條鏈。
第 5–6 天	Red Rock Study —— 資料	練習假設驅動的圖表解讀。下結論前先拆解指標；區分"已證明"和"看似合理”。用資料解讀指南。
第 7 天	速度與運算元據	在嚴格計時下跑兩個模組。專注於一條幹淨、有章法的決策路徑——不盲目亂點。
第 8–9 天	全真模擬	完成一場計時的雙模組測評。覆盤的不只是結果，還有你決策的順序和理由。
第 10 天	輕度複習 + 休息	鞏固兩種思維模式。測評當天前保持良好狀態。

每天額外安排 10 分鐘心算——百分比、除法速算、估算——因為算術一旦變成本能，Red Rock 的分析就能跑得更快。可結合我們的心算技巧指南一起練。

Solve 能力 → 案例面試的遷移

Solve 不是一道孤立的關卡。每個模組都在鍛造你在麥肯錫案例面試中會用到的能力：

Solve 模組	案例面試中的應用
Ecosystem Building —— 約束梳理	在真實限制下界定案例、搭建議題樹
Ecosystem Building —— 系統思維	看清運營和戰略案例中各槓桿如何相互作用
Red Rock —— 有目標的資料抽取	解讀面試官提供的資料圖表
Red Rock —— 指標拆解	拆解盈利性分析和市場規模估算
Red Rock —— 基於證據的結論	給出資料真正支援的最終建議

把 Solve 當作案例面試準備的第一階段，而不是一場需要熬過去的獨立考試——持這種心態的候選人，在隨後的面試輪次中表現始終更好。

測評當天清單

• 在採取任何行動之前，先完整讀一遍所有規則或案例框架——準備時間是被評分的過程，不是浪費
• 在 Ecosystem Building 中，從約束（熱量、鏈條長度、地形）倒推；鎖定選擇前先驗證整條鏈
• 在 Red Rock 中，先形成假設，再只抽取用於驗證它的資料
• 任何指標發生變化，先拆解再下結論；要證據，不要"看似合理"
• 為每個模組、每個階段設定時間預算；保護一段緩衝以修正斷裂的路徑
• 絕不盲目點選來填答案——亂猜會被扣分，你的決策路徑會被讀取
• 讓推理路徑從頭到尾保持自洽；引擎評的是你如何一步步走到那裡

核心要點

• 紙筆版 PST 已退役；Solve 是麥肯錫全球預設的數字化測評（少數辦公室可能仍用 PST）
• 一場測評是 ~60–81 分鐘內的兩個小遊戲，最常見的是 Ecosystem Building 和 Red Rock Study
• 評分是演算法化、基於過程的——它讀取你的決策路徑和時間資料，所以亂猜會被扣分，約 70% 的候選人被淘汰
• Ecosystem Building 是約束最佳化：讀規則、從約束倒推、驗證整條鏈、避開死衚衕
• Red Rock Study 是假設驅動的資料調查：帶著意圖導航、抽取正確資料、拆解指標、只答被證明的結論
• 這些能力直接遷移到案例面試，讓 Solve 備考的收益翻倍

開始你的備考

兩個模組獎勵的，正是案例面試所獎勵的：時間壓力下結構化、假設驅動的推理。CasesCoach 的 AI 練習正是為錘鍊這塊肌肉而生——你做的是真實案例，會被追問每一步的依據，學會在計時下始終保持一條幹淨的決策路徑。先從麥肯錫案例和假設驅動的問題解決方法入手，再用我們的 AI 模擬面試加壓實戰。免費賬戶包含 3 個練習案例加 AI Mock；Pro 會員解鎖 835+ 案例和多次 AI Mock，讓你反覆演練兩個 Solve 模組所要求的推理。