麥肯錫 Solve 測評是取代紙質問題解決測試（PST）的遊戲化數字測評，已成為麥肯錫全球預設的篩選方式。一場測評包含兩個小遊戲（通常是生態系統構建和 Red Rock 研究），總時長約60-81分鐘，會在案例面試之前淘汰約70%的候選人。Solve 採用演算法評分——它追蹤你的決策序列、點選模式和時間分配，隨機蒙猜會被扣分。本文覆蓋各小遊戲詳解、評分機制、備考路線圖，以及針對少數仍在使用舊版 PST 的辦公室的簡要歷史說明。
麥肯錫 Solve 測評會在候選人進入案例面試之前，淘汰其中約 70%。自 2020 年前後起，麥肯錫的遊戲化數字測評 Solve 已取代紙質版問題解決測試（PST），成為全球預設的篩選方式。如果你在 2026 年申請麥肯錫，幾乎可以肯定你面對的就是這場測評。
本指南是關於 Solve 測評的權威參考：它是什麼、你會遇到哪些小遊戲、演算法如何給你評分，以及如何有針對性地備考。文中也包含一小節內容清晰標註的舊版 PST 說明，供少數仍在使用這一老格式的地區辦公室的候選人參考。
什麼是麥肯錫 Solve 測評？
Solve（有時被稱為"麥肯錫數字化測評"，或按其開發商的名字被歷史性地稱為"Imbellus game"）是一組以生態為主題的策略類小遊戲。它不會向你提出選擇題，而是把你放進模擬環境中，觀察你如何做決策。
一場典型測評的構成如下：
- 每場測評兩個小遊戲。 系統會為你分配麥肯錫小遊戲庫中的兩個。大多數候選人拿到的是生態系統構建搭配Red Rock 研究（一個資料分析調查遊戲）。少數候選人會遇到 Sea Wolf 或植物防禦等其他遊戲。
- 總時長約60-81分鐘。 兩個遊戲依次進行，中間有短暫的過渡環節。每個遊戲都有獨立的螢幕計時器。
- 演算法評分，看重解題過程。 Solve 記錄的是你的決策序列、點選模式和時間分配——不只是最終答案。因為它衡量的是行為本身，隨機蒙猜會被主動扣分。
- 一道篩選關卡。 Solve 排在面試輪次之前，會篩掉約70%的申請者。大約30%的候選人能晉級到個人經歷面試（PEI）和麵試官主導的案例環節。
核心結論是：Solve 不是一場可以靠死記硬背應付的測驗。它是對你解題過程的行為評估，備考的關鍵是養成真實、可重複的分析習慣。
麥肯錫為何從 PST 轉向 Solve
紙質版 PST 存在幾個眾所周知的侷限，而 Solve 正是為解決這些問題而設計的：
- 應試漏洞：候選人可以透過背題型模式透過測試，而不需要具備真正的解題能力。
- 文化和語言偏見：閱讀密集型題目對非英語母語者不利。
- 訊號有限：選擇題格式只能捕捉最終答案，永遠看不到產生這個答案的思考過程。
- 後勤成本和作弊風險：有監考的紙質測試運營成本高，且仍存在漏洞。
Solve 透過衡量你決策背後的過程而非僅看結論，解決了這些問題。遊戲化格式也讓麥肯錫獲得了遠為豐富的行為資料，並提升了候選人的測評體驗。
Solve 小遊戲詳解
Solve 從一個不大的小遊戲池中抽取題目，每場測評為你分配兩個。具體的搭配由演算法決定，可能因辦公室和招聘週期而異，但絕大多數候選人遇到的都是生態系統構建 + Red Rock這一組合。
flowchart TD
A[麥肯錫 Solve 測評] --> B{分配兩個小遊戲}
B --> C[生態系統構建]
B --> D[Red Rock 研究]
B -.偶發.-> E[Sea Wolf]
B -.偶發.-> F[植物防禦]
C --> G[約束最佳化]
D --> H[資料分析]
E --> I[系統思維]
F --> G
G --> J[過程分數]
H --> J
I --> J
J --> K[晉級 PEI + 案例面試，或被篩除]
生態系統構建（核心遊戲）
挑戰內容：系統會展示一個環境——一座山、一片珊瑚礁或類似的棲息地——以及一份包含30-40個候選物種的清單。你的任務是在該環境的約束條件下（海拔、溫度、地形型別、溼度等規則），選出一組能構成可持續食物鏈的物種。
真正考察什麼：約束最佳化能力和系統性的假設驗證。演算法會觀察你是否：
- 在開始選擇之前，先讀懂並理解所有約束條件
- 系統性地推進（例如從生產者開始）
- 當某個選擇行不通時及時調整策略
- 高效地回退，而不是推翻重來
核心策略：
- 先花2-3分鐘梳理約束條件。 在選擇任何物種之前，讀完每張物種卡片，記下每個物種所需的環境條件。在腦中按營養級分組（生產者 → 初級消費者 → 次級消費者 → 頂級捕食者）。
- 從食物鏈的一端開始推進。 從生產者（植物/藻類）向上推通常更容易，因為生產者的依賴條件更少。先挑出匹配地形的生產者，再找出既以這些生產者為食、又滿足環境約束的初級消費者。
- 用紙筆記錄。 畫一個簡單的表格：左側列出物種，頂部列出環境約束條件。這能避免你反覆核查同樣的資訊。
- 卡住時只回退一級。 如果找不到合適的頂級捕食者，不要從頭重來。換掉一個次級消費者，看看這是否為上一層開啟了新的選項。
- 提交前驗證整條鏈是否完整。 從底到頂追蹤能量流動。每個物種（生產者除外）都必須至少有一個下層食物來源，並滿足所有環境約束。
關於生態系統構建更深入的實戰拆解，參見我們的生態系統與 Red Rock 策略指南。
Red Rock 研究（資料分析）
挑戰內容：Red Rock 研究是一款以研究資料包為核心的調查類遊戲——資料包包含數頁生態資料，形式有圖表、表格、散點圖和文字說明。你需要透過一系列問題，提取、組合並應用這些資料，而隨著答題推進，原始材料往往會變得越來越難以查閱。
真正考察什麼：在時間壓力下提取、綜合並應用定量資訊的能力——這與你在盈利能力案例和財務分析中呼叫的能力是同一種。
核心策略：
- 閱讀時做結構化筆記。 不要試圖死記硬背。寫下關鍵數字、趨勢和關係，按資料來源組織（圖表A、表格B等）。
- 明確記錄刻度和單位。 很多錯誤答案源於誤讀座標軸——千與百萬之分、月度與年度之分。把單位寫下來。
- 識別資料之間的關係。 哪些變數同向變化？哪些表格與哪些圖表相關聯？在筆記中用箭頭連線相關資料點。
- 每個問題讀兩遍。 先定位答案在哪個資料來源中。如果筆記組織得好，就不需要重新翻找。
- 區分被證實的與僅被暗示的。 正確答案必須被資料直接支援，而不僅僅是合理。
因為 Red Rock 本質上是一項資料解讀任務，我們的Red Rock 資料分析指南中的訓練可以直接遷移。
偶發遊戲：Sea Wolf 與植物防禦
大多數候選人從未遇到這兩款遊戲，但瞭解一下也有價值。
- Sea Wolf（系統思維）：你需要在多個回合中管理一個種群——分配資源，並根據天氣、食物供應、競爭者行為等條件變化及時調整。這款遊戲獎勵識別哪些變數最關鍵、預判二階效應，以及在條件變化時的適應能力。避免過度最佳化單一指標；遊戲通常同時追蹤多項成功標準。
- 植物防禦（約束最佳化）：一款塔防式遊戲，你需要透過放置防禦性生物來保護棲息地。每次放置都消耗資源，威脅會從特定方向以不同強度到來。在投入資源前評估所有威脅，把防禦放在能同時覆蓋多個威脅的關鍵位置，併為後續更強的攻擊波次保留資源。
不必特別為這兩款遊戲過度投入備考。它們背後考察的能力——系統性分析、資源分配、適應調整——與生態系統構建和 Red Rock 所獎勵的能力是一致的。
Solve 如何評分
Solve 採用演算法評分，且看重解題過程，這正是它與舊版 PST 的根本區別。理解評分維度能讓你的練習更有針對性。
麥肯錫衡量的核心能力
| 能力 | 含義 | 在遊戲中如何體現 | 如何展現 |
|---|---|---|---|
| 批判性思維 | 邏輯分析資訊 | 決策序列的質量 | 讓每個決策都以現有資料為依據 |
| 決策能力 | 基於分析採取行動 | 選擇的速度與準確性 | 資訊充分時果斷行動，不過度糾結 |
| 元認知 | 一致地執行策略 | 方法的一致性 | 展現清晰、可重複的方法，而非隨機探索 |
| 情境感知 | 預判變化 | 對新資訊的響應速度 | 條件變化時及時調整 |
| 系統思維 | 理解因果關係 | 預測結果的能力 | 行動前先考慮二階效應 |
演算法如何解讀你的行為
麥肯錫不公開其評分公式，但從候選人反饋中可以看出一些一致的設計目標：
過程重於結果。 兩個候選人可能得出同樣的答案，但分數不同。透過系統性探索得出答案的人，得分會高於透過反覆試錯碰巧得到答案的人。
時間分配是一種訊號。 在真正複雜的決策上花更多時間比例，在簡單決策上花更少時間，說明你對問題難度有良好的判斷力。這屬於遙測資料：測評會記錄你的時間和點選都花在了哪裡。
一致性會被獎勵。 一套清晰、可重複的方法論，勝過毫無理由地在遊戲中途切換策略。
恢復能力被計入評分。 犯錯不是致命的。快速察覺錯誤、理解成因並系統性地調整，正是麥肯錫想看到的元認知能力。
隨機行為會被扣分。 由於評分基於行為，蒙猜和無規律的快速點選會實實在在地損害你的分數。Solve 不存在 PST 那種"蒙一下試試"的策略空間。
評分權重估算
麥肯錫不公佈具體權重。下表反映的是候選人反饋和第三方分析的彙總結果，僅供參考，非官方資料：
| 評分維度 | 估計權重 | 什麼行為會拉低你的分數 |
|---|---|---|
| 解題方法 | 最高 | 隨機點選，沒有清晰策略 |
| 決策質量 | 高 | 忽略已有資訊 |
| 適應能力 | 中等 | 條件變化後不做調整 |
| 效率 | 較低 | 在簡單決策上花過多時間 |
| 完成度 | 較低 | 未完成遊戲 |
透過這道篩選關
麥肯錫不公佈 Solve 的具體透過分數線，你也應該對任何聲稱給出精確分數線的資訊來源保持懷疑。以下是我們能夠確認的資訊：
- Solve 會篩掉約70%的候選人，約30%晉級到面試環節。
- 不存在"部分透過"——你要麼晉級到 PEI 和案例面試環節，要麼不晉級。
- 門檻看起來是相對競爭性的，而非絕對固定，且可能因辦公室和申請人池而異。
把 Solve 當作一場"過/不過"的測評來對待。你的目標是用一套明確展現結構化過程的方法透過篩選，而不是去追求一個不存在的完美分數。
備考路線圖
Solve 獎勵的是習慣，而不是臨時突擊，所以數週的結構化練習比考前衝刺效果更好。對於全職工作的候選人，一套經過驗證的方案是四周計劃；時間更充裕的學生可以壓縮到兩到三週。
flowchart LR
W1[第1周：打基礎] --> W2[第2周：技能提升]
W2 --> W3[第3周：模擬實戰]
W3 --> W4[第4周：調峰與休整]
W1 --- W1D[瞭解測評形式\n診斷性自評\n找出薄弱環節]
W2 --- W2D[心算訓練\n資料解讀\n策略打磨]
W3 --- W3D[完整限時模擬\n覆盤解題過程\n建立一致性]
W4 --- W4D[輕度練習\n提煉3-5條核心規則\n測評前充分休息]
四個階段簡述如下：
- 打基礎與自我診斷。 瞭解測評形式，做一次診斷性練習，找出自己最薄弱的兩到三個方面。
- 核心技能提升。 反覆練習心算、資料解讀和系統性解題方法，直到成為本能反應。
- 完整模擬實戰。 在貼近真實的限時條件下練習，覆盤時不只看答案，更要看你的解題過程——哪裡猶豫了，哪裡靠即興發揮？
- 調峰與休整。 把你的策略提煉成幾條簡單規則，並保證以充分休息的狀態迎考。疲勞帶來的損失，遠大於最後一次臨時突擊能帶來的收益。
關於逐日詳細安排和時間預算，參見我們的四周麥肯錫備考計劃。
心算：基礎中的基礎
Red Rock 以及 Solve 中的分析環節都要求在不使用計算器的情況下快速運算。投入心算訓練的候選人往往提升最明顯——這常常就是晉級和被淘汰之間的差距。
百分比計算（最常見）：
- 10% = 小數點左移一位：840 的 10% = 84
- 5% = 10% 的一半：840 的 5% = 42
- 15% = 10% + 5%：840 的 15% = 84 + 42 = 126
- 1% = 小數點左移兩位：840 的 1% = 8.4
- 組合計算：840 的 23% = 20% + 3% = 168 + 25.2 = 193.2
除法捷徑：
- 除以5 = 乘以2再除以10：840 / 5 = 1680 / 10 = 168
- 除以8 = 連續折半三次：840 / 8 = 420 / 4 = 210 / 2 = 105
- 粗略除法：2,350 / 7 ≈ 2,100 / 7 + 250 / 7 = 300 + 36 ≈ 336
複合增長估算：
- 72法則：翻倍所需年數 = 72 / 增長率。增長率8%，約9年翻倍。
- 8%增長率下5年：乘以 1.08^5 ≈ 1.47（即100 → 約147）。
每日15-20分鐘練習安排：十道百分比題、五道除法題、三道複合增長估算題，以及兩道多步驟商業數學題（收入 = 單價 × 銷量，利潤率計算）。我們的心算訓練指南將這些訓練按順序排列，讓速度逐步提升。
各小遊戲實戰技巧
生態系統構建：10條實戰技巧
- 前三分鐘只讀不點——什麼都別選。
- 在紙上畫一個約束矩陣：左列是物種，頂行是約束條件。
- 選擇前先數清所需的營養級數量（通常是三到四級）。
- 從匹配最多地形約束的生產者開始。
- 在確認任何選擇前先檢查捕食者-被捕食者的相容性。
- 卡住時換一個物種，而不是推翻重來。
- 記錄已排除的物種，避免重複檢查。
- 留意連線食物鏈多個分支的"關鍵"物種。
- 提交前驗證食物鏈是否完整——每個消費者都有食物來源。
- 如果還有餘下時間，檢查是否存在更穩健的替代組合。
Red Rock：8條實戰技巧
- 用前30秒數清資料展示的數量，並快速掃一遍題目主題。
- 建立一張"資料地圖"，標註每份資料包含的資訊。
- 對看起來重要的資料點，寫下精確數字。
- 用箭頭（↑ ↓ →）標記趨勢方向，而不是試圖記住具體數值。
- 識別任何資料集中的異常值——它們經常被考到。
- 反覆核查座標軸標籤——這正是用來"坑"你的地方。
- 對於對比類問題，把數值並排寫下來，而不是靠腦子記。
- 分配好時間：大約60%用於閱讀和記筆記，40%用於答題。
Solve 通用建議
- 保持網路連線穩定。 儘量使用有線網路；延遲可能扭曲你的行為資料。
- 保持環境安靜。 中途被打斷會迫使你重新定位，在演算法看來這會顯得不一致。
- 全屏操作，避免干擾。 測評會追蹤你的注意力模式。
- 如有官方演示，先熟悉介面操作。
- 切勿重新整理頁面。 這可能重置你的測評進度或丟失結果。
常見錯誤及應對方法
策略性錯誤
| 錯誤 | 為什麼有害 | 如何修正 |
|---|---|---|
| 不讀說明就開始 | 遺漏關鍵約束條件，在演算法看來顯得無序 | 強迫自己先讀完所有內容，即使很緊張 |
| 隨機試錯 | 演算法能檢測出非系統性行為 | 每一步操作都要有明確理由 |
| 推翻重來 | 浪費時間，暴露恢復能力不足 | 每次只回退一步 |
| 忽視時間管理 | 未完成的提交得分最差 | 在時間過25%/50%/75%時設定檢查點 |
| 只最佳化單一維度 | 遊戲考察的是多重標準 | 平衡好速度、準確度和適應能力 |
技術性錯誤
| 錯誤 | 為什麼有害 | 如何修正 |
|---|---|---|
| 網路不穩定 | 延遲可能破壞你的行為資料 | 使用有線網路；關閉其他標籤頁 |
| 用手機做測評 | 小螢幕會影響表現 | 使用大屏筆記本或桌上型電腦 |
| 瀏覽器外掛干擾 | 可能遮蔽遊戲元素 | 使用隱身/私密模式 |
| 環境嘈雜 | 中斷會打碎你的解題流程 | 預定安靜的房間；提前告知家人 |
| 疲勞狀態下測評 | 認知表現下降20%-30% | 安排在自己精力最佳的時段 |
關於更完整的常見陷阱清單，參見我們的常見錯誤指南和時間管理指南。
練習資源
免費資源：
- 麥肯錫官方練習。 麥肯錫偶爾會在招聘官網上放出示例材料——建議定期檢視。
- 生態系統與食物鏈類遊戲。 任何涉及在約束條件下構建可行系統的遊戲，都能訓練相應的思維模式。
- 心算類App。 反覆練習百分比、除法和估算，能提升 Red Rock 所需的運算速度。
- 邏輯與約束類謎題。 高階數獨類謎題能訓練系統性排除法。
- 真實資料。 政府統計公報能提供真實的圖表和表格供你練習解讀。
結構化備考：
不值得浪費時間的地方：
- 昂貴的"破解Solve"課程——麥肯錫會定期更新測評內容。
- 在論壇上背題——不存在一個可以死記硬背的固定題庫。
- 快速點選訓練——演算法衡量的是決策質量，不是點選速度。
歷史遺留：舊版 PST 格式
歷史背景說明。 紙質版問題解決測試是麥肯錫的舊版篩選測試，目前幾乎所有地區都已被 Solve 取代。僅當你所申請的地區辦公室已明確告知仍在使用舊版 PST 時，才需要閱讀本節——2026年的大多數候選人都不會遇到它。
PST 是一場60分鐘、26題、紙質選擇題形式的測試，考察商業邏輯、資料解讀和心算能力。其透過線大約在正確率70%左右（26題中約答對18-19題），約30%-35%的候選人能夠晉級。
其題型按大致佔比分佈如下：
| 題型 | 佔比 | 考察內容 |
|---|---|---|
| 閱讀事實題 | 約38% | 定位一段文字或圖表直接支援的陳述 |
| 事實推斷題 | 約14% | 判斷綜合資料"證明"了哪個結論 |
| 根因分析題 | 約13% | 識別最能解釋某個結果的因素 |
| 應用題 | 約12% | 把商業場景轉化為數學問題，逐步求解 |
| 客戶解讀題 | 約8% | 判斷哪個建議最受資料支援 |
| 公式題 | 約5% | 應用給定公式，留意單位換算 |
與 Solve 的關鍵區別在於：PST 只對最終答案計分，因此蒙猜沒有懲罰，針對已知題型的應試訓練也可能有幫助。Solve 則反轉了這兩點——它對解題過程評分，並對隨機行為進行扣分。好訊息是兩種測評底層考察的分析能力高度重疊，所以心算和資料解讀的練習對兩種格式都有用。如果你已確認自己面對的是 PST，可以透過我們的PST 練習指南進行針對該格式的限時專項訓練。
透過 Solve 之後
透過 Solve 後，你會進入麥肯錫的面試輪次，其中包含兩個環節：
- 個人經歷面試（PEI）。 結構化的行為面試問題，圍繞你展現領導力、推動影響或化解衝突的經歷展開。為每個主題準備兩到三個詳細的故事。
- 面試官主導的案例面試。 一場真實案例，面試官會引導你分析一個商業問題。這一環節中，結構化、假設驅動的思維方式和乾淨利落的定量分析，才是決定結果的關鍵。
一旦晉級，請立即調整備考重心：
常見問題
麥肯錫 Solve 測評要多長時間？
一場測評大約耗時60-81分鐘，由兩個依次進行的小遊戲組成，每個遊戲都有獨立計時器，中間有短暫過渡。兩個遊戲按順序完成——你無法跳過，也無法回到已完成的遊戲。
我會遇到哪些小遊戲？
大多數候選人拿到的是生態系統構建搭配Red Rock 研究。少數候選人會遇到 Sea Wolf 或植物防禦等其他遊戲。具體搭配由演算法分配，可能因辦公室和招聘週期而異，所以備考時應著眼於底層能力，而不是賭自己會遇到某一款特定遊戲。
Solve 如何評分？
採用演算法評分，看重解題過程。Solve 會追蹤你的決策序列、點選模式和時間分配，獎勵系統性、一致性的解題方法。因為評分基於行為，隨機蒙猜和無規律的點選都會被扣分——不存在"蒙一下試試"的策略空間。
透過率是多少？
Solve 會篩掉約70%的候選人，約30%晉級到面試輪次。麥肯錫不公佈具體的分數線，門檻看起來更接近相對競爭性，而非絕對固定。可以把它當作一場"過/不過"的測評。
沒透過還能重考嗎？
通常要等12-24個月，具體取決於所在辦公室的政策。重新申請時你會從頭參加測評，之前的結果不會被保留。可以利用等待期，透過案例練習和資料密集型工作培養真正的分析能力。
Solve 真的會追蹤我的滑鼠和點選嗎？
是的。Solve 使用行為分析技術——滑鼠移動、點選模式、懸停時長、決策序列和時間分配。這些遙測資料正是它區分"透過系統性分析得出答案"和"透過隨機試探碰到答案"的方式。移動要有意圖，點選要有目的。
如果沒完成一個遊戲會怎樣？
未完成的遊戲得分會明顯更低——完成度本身就是被評分的維度之一。即使是次優但完整的方案，也勝過半途放棄的方案。如果時間快不夠了,繼續做出快速但符合邏輯的決策；演算法仍能從"匆忙但有結構"的選擇中讀出正面的過程訊號。
PST 現在還有意義嗎？
對絕大多數人來說沒有。Solve 已經取代 PST，成為全球預設的測評方式。只有少數地區辦公室可能仍在使用舊版紙質測試，你的招聘顧問會告知你是否屬於這種情況。如果適用於你，參見上文的舊版 PST 章節。
核心要點
- Solve 是麥肯錫當前的遊戲化測評，已取代紙質 PST 成為全球預設方式。
- 一場測評包含兩個小遊戲（通常是生態系統構建 + Red Rock），總時長約60-81分鐘。
- 評分基於演算法且看重過程；它會追蹤你的決策序列、點選和時間分配，並對隨機行為扣分。
- Solve 會篩掉約70%的候選人，約30%晉級到 PEI 和麵試官主導的案例環節。
- 備考要養成習慣，而不是臨時突擊——按結構化的多周計劃練習,培養真正的心算和資料解讀能力。
- 從系統的一端開始（頂部或底部），切勿從中間入手，並用紙筆記錄你的假設驗證過程。
- 即使不完美也要完成每個遊戲；未完成的提交得分最差。
- 舊版 PST 幾乎已在所有地區退役——只有在辦公室確認仍使用時才需要針對它備考。
準備好開始備考了嗎？
培養 Solve 所獎勵的結構化、定量推理能力，最可靠的方式是在真實問題上刻意練習。CasesCoach 的 AI 模擬面試能讓你反覆練習拆解案例和為建議辯護——這正是 Solve 透過遊戲所衡量的思維方式，也是接下來 PEI 和麵試官主導案例所要求的能力。免費版包含三個完整案例加 AI 模擬面試；Pro 版解鎖835+真實案例，並提供多次 AI 模擬面試機會，幫助你把這套方法練到成為本能。