麥肯錫 Solve 在 2020 年前後取代了紙筆版 PST，成為大多數辦公室的預設評估。它是兩款遊戲化的小遊戲——生態構建（Ecosystem Building）和紅巖研究（Red Rock Study）——在約 60–81 分鐘內完成，由演算法評估你的決策路徑與點選時序，而不只是最終答案。約 70% 的候選人被淘汰。多數人失敗不是因為分析能力弱，而是反覆踩坑：隨機點選、跳過約束條件、追逐干擾資料、在一步棋上耗盡時間。本指南列出這 10 個陷阱及各自的應對方法。
麥肯錫 Solve 是在 2020 年前後取代紙筆版問題解決測試（PST）的數字化評估，如今已是全球預設形式，只有少數辦公室可能仍在使用經典 PST。Solve 在候選人進入案例面試之前就淘汰了約 70%——而令人意外的是，大多數淘汰其實與真正的解題能力關係不大。
Solve 不是選擇題測驗，而是兩款遊戲化模擬：通常是生態構建（Ecosystem Building）和紅巖研究（Red Rock Study），偶爾會出現海狼（Sea Wolf）或植物防禦（Plant Defense），兩款連著做，總時長約 60 到 81 分鐘。關鍵在於：演算法評估的是你怎麼做——你的決策路徑、動作順序、以及點選與時序的行為資料，而不只是你最終停在的那個狀態。這一點，徹底改變了哪些錯誤是致命的。
本指南按錯誤發生的場景，梳理出 Solve 最常見的 10 個錯誤，併為每一個給出具體應對方法。
Solve 錯誤全景圖
和舊版 PST 不同——那時近一半錯誤只是簡單的資料誤讀——Solve 的失敗更多集中在對遊戲本身的誤解：它獎勵什麼、每款小遊戲怎麼運作、以及時間怎麼花。
mindmap
root((Solve 錯誤))
評分模型盲區
最佳化答案而非過程
靠隨機點選探索
以為收尾乾淨就能得救
生態構建
沒讀約束就試錯
忽視食物鏈與資源上限
過度打磨單步
紅巖研究
追逐干擾資料
跨階段看錯圖表
時間與心態
失去單局時間控制
開局不順就慌
考場首次面對陌生介面
理解錯誤來源是消除錯誤的第一步。我們輔導的大多數候選人進步最快的方式，不是學更多內容，而是改變與遊戲互動的方式。
第一類：評分模型盲區
這類錯誤源於沒有意識到 Solve 在盯著你的過程。它們最危險，因為你可能做出了"正確"的結果，卻依然拿了低分。
錯誤 #1：把 Solve 當成過關式測驗
最常見的觀念錯誤，是以為 Solve 只看你最終的生態系統能否存活、最終答案對不對。它不是這樣評分的。演算法記錄的是你的決策路徑——你採取了哪些動作、按什麼順序、以多高的效率抵達結果。兩名候選人可能都建成了穩定的生態系統，卻得分迥異，因為一個是靠有理有據的步驟走到的，另一個是靠瞎折騰碰上的。
應對方法： 把每一個動作都當成會被評分的落子。動手前先形成假設：“我預期這個物種能放進來，因為它滿足了 X。“有意識、有順序的動作會被讀作出色的決策；恰好奏效的手忙腳亂只會被讀作運氣。
錯誤 #2：靠隨機點選"摸索"介面
因為介面陌生，候選人常會四處點點看會發生什麼。在一個按過程評分的評估裡，這些全被記錄下來。大量無目的的點選、快速的撤銷—重做迴圈、以及忽快忽慢的時序，都在暗示你是在猜而不是在推理——而猜是要扣分的。
應對方法： 在考試日之前就用官方練習版或高模擬模擬熟悉介面，而不是在計分環節裡摸索。計時一開始，每一次點選都要有理由。需要確認什麼，就有意識地確認一次，然後繼續。
錯誤 #3：以為收尾乾淨就能抹掉混亂的過程
有些候選人在一局遊戲的前三分之二里反覆折騰，最後把一切收拾整齊，以為最終畫面才是關鍵。行為資料早已把那段折騰記錄在案。乾淨的結尾抹不掉混亂的中段。
應對方法： 從第一步就把路徑走對，而不是留到最後一步。如果早早發現思路錯了，就用一次清晰、有理據的轉向來糾正——一個可見的決策——而不是一長串小碎步的試錯調整。
第二類：生態構建（Ecosystem Building）錯誤
生態構建要求你為給定的地點組建一個可存活的生態系統，選出滿足一組約束條件的物種——食物鏈關係、資源上限、地形適應性等等。這裡的錯誤大多來自"沒搞懂就動手”。
錯誤 #4：沒讀約束就一頭扎進試錯
生態構建最大的陷阱，就是先放物種、再看它行不行。約束條件——每個物種吃什麼、需要多少資源、能生活在哪裡——都是在你開建之前就給你的。忽視它們、靠瞎猜迭代的候選人，既浪費落子、又製造出嘈雜的行為資料，而且往往還是建不成一個穩定的系統。
應對方法： 開建之前，先花幾分鐘讀懂並梳理約束條件。在草稿紙上畫出食物鏈和資源上限。等你真正動手時，你是在執行一個計劃，而不是在尋找一個計劃。
錯誤 #5：忽視食物鏈與資源上限
即便讀了規則，有些候選人還是會挑那些單看很誘人、卻破壞系統平衡的物種——比如一個沒有可行獵物的捕食者，或者一組加起來超出可用資源的物種。生態系統隨之崩潰，而崩潰本身、以及導致崩潰的路徑，都會被評分。
應對方法： 每一次選擇都要放到整個系統裡去驗證，而不是孤立地看。對每個物種，確認三件事：它在你的物種集裡有食物來源、它適應地形、加入它之後總資源需求仍在上限之內。三條中任何一條不成立，它就不該進來。
錯誤 #6：過度打磨單步，把時間耗光
完美主義者常被困在反覆微調某一個決策上——把一個物種換進換出、去追那一點點更好的契合度——結果沒等整個生態系統建完，時間就到了。一個沒建完的系統，得分比一個建完的、合理的系統還要低。
應對方法： 先做出一個完整、站得住腳的方案，有餘力再打磨。給自己設一個大致的內部檢查點：如果同一個決策上停留了幾分鐘還沒定，就鎖定當前最優選擇、繼續往前。一個你能自圓其說的完整生態，勝過一個建了一半的"完美"生態。
第三類：紅巖研究（Red Rock Study）錯誤
紅巖研究呈現的是一個多階段的研究情境，圍繞跨多個階段解讀資料、得出結論展開。這裡的陷阱與經典案例面試中的資料錯誤如出一轍，但資訊量之大與限時的形式會把它們放大。
錯誤 #7：追逐干擾資料
紅巖研究會刻意放入一些看似相關、實則與當前決策無關的資訊。那些試圖用上每一個資料點的候選人既浪費時間，又常常把推理建立在噪音之上。識別並擱置干擾資料，本身就是這款遊戲在考察的能力之一。
應對方法： 分析之前，先明確每個階段究竟在問什麼問題。然後只調取那些能推進這個問題的資料。如果一張圖表或一個數字不會改變你的答案，記下它、放下它——別硬把它塞進你的推理。
錯誤 #8：跨階段看錯圖表
由於資訊分散在不同階段和不同螢幕上，候選人容易搞不清哪個數字來自哪裡，或者把早期階段的某個假設帶進後面已經不再成立的階段。在時間壓力下，一個張冠李戴的數字就可能連鎖引出錯誤結論。
應對方法： 一邊推進一邊做一份簡短的隨手記錄：關鍵數字是什麼、各自來自哪裡。當新階段重新框定情境時，先核對你早先的假設是否仍然適用，再決定是否複用。
第四類：時間與心態錯誤
最後一類，關乎把兩款遊戲作為一個整體來管理——管好時鐘，也管好腦子。
錯誤 #9：失去單局時間控制
約 60–81 分鐘分攤在兩款小遊戲上，時間紀律就是一切。那些放任第一局超時的候選人——要麼因為它做起來更舒服，要麼因為在追求一個完美結果——到第二局時時間已經不夠，結果兩局都拿低分。
應對方法： 開始前就把時間預算劃好，在固定的檢查點瞄一眼時鐘。把每款遊戲的時間配額當成不可逾越的硬邊界。兩局都做完、都做得有理有據、都做得完整，勝過一局滿分、另一局爛尾。我們的 Solve 時間管理指南 把這套預算拆成了一步步的方法。
錯誤 #10：開局不順就慌（還是在陌生介面上）
許多候選人在計分環節才第一次見到介面，一遇到早期挫折就開始崩——點得更快、丟掉計劃、製造出的恰恰是演算法要扣分的那種忽快忽慢的行為資料。開局不順本身很少致命，慌亂的反應才致命。
應對方法： 在真實的遊戲形式上練到介面變得"無聊"為止。熟悉能消除那份觸發慌亂的意外感。如果遊戲中途真出了岔子，停五秒、回到你的計劃、把下一步走得從容有據。恢復能力同樣是被評分的行為，一次冷靜、有理據的轉向，讀起來遠勝過一陣手忙腳亂。
Solve 決策框架
把這份意識和一套簡單的遊戲內例程結合起來，讓你的過程保持乾淨、可被評分：
flowchart TD
A[新遊戲或新階段] --> B[先讀約束條件和問題]
B --> C[畫出計劃：食物鏈 / 關鍵資料]
C --> D{準備好動手了嗎？}
D -->|是| E[走出一步有意識、有理據的動作]
D -->|否| B
E --> F{符合預期嗎？}
F -->|是| G[繼續下一步]
F -->|否| H[一次清晰的轉向，而非試錯]
H --> G
G --> I{已完成且還有時間？}
I -->|已完成| J[有餘力再打磨]
I -->|時間緊張| K[鎖定最優且站得住腳的狀態，繼續]
5 天 Solve 錯誤消除訓練
如果你的 Solve 臨近，這個集中訓練針對的是你與遊戲互動的方式，而非純粹的內容：
| 天數 | 重點 | 活動 |
|---|---|---|
| 第1天 | 介面 | 完整跑一遍高模擬的 Solve 模擬。目標：把介面帶來的一切意外感清除掉 |
| 第2天 | 生態構建 | 練習在開建之前讀約束、畫食物鏈。不許試錯 |
| 第3天 | 紅巖研究 | 練習一個資料情境。每個階段先寫下問題，再標出干擾資料 |
| 第4天 | 時間與過程 | 在嚴格計時下跑完兩款遊戲。追蹤自己的點選模式——目標是有意識，而非慌亂 |
| 第5天 | 全真模擬 | 考試條件下完成一次限時環節。覆盤路徑在哪裡變亂了、為什麼 |
目標不是背答案——情境會變——而是讓你的過程在時間壓力下保持從容、有序、完整。
核心要點
- Solve 按過程評分：演算法讀取你的決策路徑與點選時序，所以隨機點選和收尾乾淨都救不了你
- 生態構建獎勵的是在落下第一個物種之前，先讀約束、先畫食物鏈
- 紅巖研究刻意放入干擾資料——先明確每個階段的問題，再只調取能回答它的資料
- 單局時間是硬邊界；兩款遊戲都拿出完整、合理的方案，勝過一款完美加一款爛尾
- 大多數慌亂漩渦都源於考場首次面對介面——在真實形式上練到它變"無聊"為止
- 一個針對互動習慣的 5 天訓練，勝過數週無方向的刷題
下一步
先從形式本身入手。如果你不確定自己的辦公室用的是 Solve 還是舊版 PST，檢視我們的麥肯錫 Solve 完整備考指南，瞭解各辦公室的情況和完整的遊戲拆解。
要專門解決時間上的錯誤，可以學習我們的麥肯錫 Solve 時間管理指南，在考試日之前就建好你的單局時間預算。
如果你面對的仍是舊版 PST，我們的麥肯錫問題解決測試策略指南覆蓋了選擇題的題型與節奏把控。
CasesCoach AI 模擬面試及其反饋，能在考試日之前——趁你還來得及修正的時候——把這些錯誤一一揭示出來：隨機點選、漏掉的約束、超時的時鐘。免費方案包含 3 個練習案例加 AI 模擬面試；Pro 解鎖 835+ 案例和多次 AI 模擬面試，讓你把整個過程練到成為本能。試試 AI 模擬面試，或在定價頁對比方案。