麦肯锡 Solve——这家顶级咨询公司的数字化测评游戏——已取代传统笔试，成为麦肯锡面试流程中的第一道关键门槛。与简历筛选或案例面试不同,Solve 通过追踪你的每一次鼠标移动、点击模式和决策顺序,实时评估你的思维方式。
超过 70% 的候选人在首次尝试时无法通过 Solve。这个游戏不考察背诵答案或商业框架的能力——它通过模拟生态系统和数据挑战测试原始认知能力,而且每个候选人面对的场景都不相同。
Solve 测试什么能力
Solve 测量麦肯锡认为咨询工作必备的五项认知能力：
| 能力 | 测量内容 | 咨询实际应用 |
|---|---|---|
| 批判性思维 | 分析信息形成理性判断 | 解读客户数据识别根本原因 |
| 决策能力 | 在约束条件下选择最优行动 | 在多个战略方案间权衡利弊 |
| 元认知 | 使用策略简化复杂问题 | 将模糊项目拆解为可执行步骤 |
| 情境意识 | 理解变量之间的关系 | 预测市场对客户决策的反应 |
| 系统思维 | 掌握多因素间的因果关系 | 模拟运营变化的二阶效应 |
麦肯锡通过分析你的解题路径计算「过程分数」——而不仅仅看最终答案。算法能检测出你是遵循系统性推理过程,还是单纯靠猜。一个使用严谨逻辑但时间不够的候选人,得分会高于凭运气碰对答案的人。
游戏格式与结构
你总共有 71 分钟完成：
- 不计时的教程（可以反复查看）
- 从三种可能类型中抽取的两个小游戏
每个小游戏耗时 30-45 分钟。场景是随机生成的,所以你的版本会与其他候选人不同。这意味着不可能照搬别人的策略——你必须理解底层原理。
三种小游戏类型
麦肯锡在三种小游戏类型中轮换,你会遇到其中两种：
mindmap
root((Solve 小游戏))
约束优化
生态系统构建
选择物种
选择地点
平衡食物链
灾难管理
识别灾难类型
转移动物至安全地带
数据解读
红岩研究
分析研究数据
预测种群数量
适应新信息
因果关系
疾病诊断
识别症状
反向推导原因
推荐治疗方案
1. 约束优化（最常见）
你需要通过选择物种和地点来构建可持续的生态系统。每个物种都有特定的环境需求（温度、降雨量、海拔）和食物链中的角色。你的目标：在遵守约束条件的前提下,最大化物种存活率。
挑战在于平衡相互竞争的需求。顶级捕食者需要猎物才能生存,但如果你添加太多捕食者,它们会耗尽猎物种群。如果你的初级生产者（植物）无法在选定地点存活,整个食物链就会崩溃。
2. 数据解读 + 批判性数值推理（2024 年引入）
红岩研究呈现一个研究场景——通常是基于提供数据的生态预测。这取代了麦肯锡已停用的问题解决测试,专注于标准数学考试无法测到的技能：正确阅读图表、区分确凿证据与暗示性模式,以及陈述逻辑健全的结论。
3. 因果关系（现在较少见）
给定一个结果（如动物种群下降）和历史数据,你需要反向推导原因。或者,给定一个原因（如降价）,你要用模式分析预测效果。这测试你能否从噪音中识别相关数据信号。
分类型实战策略
约束优化（生态系统构建）
从食物链的一端开始,不要从中间开始。 从初级生产者（不需要猎物的植物）或顶级捕食者（没有天敌的动物）开始,然后线性推进。从中间开始会迫使你同时在两个方向上猜测依赖关系。
识别并忽略无关变量。 你可能看到 8-10 个环境因素,但通常只有 3-4 个真正约束你的选择。如果所有可用物种都能承受地点选项中的全部风速范围,风速就是无关的——忽略它。
在纸上记录你的尝试。 每次试错都会消耗时间。写下你测试过什么以及为什么失败。游戏允许使用笔和纸——利用它们避免重复测试相同假设。
注意最大值和最小值。 像「温度必须在 15-25°C 之间」或「每个捕食者至少需要 500 卡路里的猎物」这样的规则创造了约束。快速识别哪些指标有阈值,并围绕它们设计系统。
以下是生态系统构建的系统方法：
flowchart TD
A[查看所有物种] --> B{选择方法}
B -->|自顶向下| C[选择顶级捕食者]
B -->|自底向上| D[选择初级生产者]
C --> E[识别猎物需求]
D --> F[识别环境需求]
E --> G[添加支持物种]
F --> G
G --> H[检查约束条件]
H -->|违反| I[调整选择]
H -->|通过| J[选择地点]
I --> H
J --> K[验证所有物种存活]
K -->|部分死亡| I
K -->|全部存活| L[完成]
数据解读（红岩研究）
放慢速度,仔细阅读新信息。 每一轮都会引入可能推翻你初始假设的新数据。匆忙通关而不吸收更新会导致持续性错误。
写下假设并测试它们。 当你对种群趋势形成假设时,在纸上记录下来。当新数据到达时,明确检查你的假设是否仍然成立。能快速调整的候选人得分会高于固守已被推翻策略的人。
区分「暗示」和「证明」。 数据可能显示相关性但不能证明因果关系。你的结论必须与证据强度相匹配。夸大发现（从暗示性数据中声称确定性）是关键错误。
因果关系（疾病诊断）
首先绘制变量之间的关系图。 在深入数据之前,理解逻辑联系：降雨量是否影响温度？海拔是否限制物种分布？画出这些关系来指导你的分析。
分离相关和无关数据。 你会收到远超需要的信息。在真实咨询项目中,客户经常提供数百份文档,但只有一个类别重要。练习过滤噪音。
降低分数的常见错误
基于我们对 835+ 案例面试模式和候选人反馈的分析：
错误1：局部优化而非全局优化。 你可能完美平衡了生态系统的一部分（如草食动物-植物平衡）,却忽略了它如何影响整个食物链。始终退后一步检查系统级影响。
错误2：忽视时钟。 虽然提前完成不是必需的,但在第一次迭代上花费 35 分钟会留下太少调整时间。先追求粗略正确,再优化。
错误3：不使用笔和纸。 心算在时间压力下会失败。做结构化笔记的候选人能避免重复失败尝试,并更快发现模式。
错误4：把它当作传统游戏。 Solve 奖励系统性思维,而非游戏直觉。你的过程比最终分数更重要。通过点击模式展示严谨推理。
错误5：试图记忆其他候选人的解法。 随机化使这毫无用处。两个候选人可能面对不同的物种集、地点变量和约束条件。专注于原理,而非具体答案。
如何准备麦肯锡 Solve
麦肯锡不允许候选人在正式测评前练习实际游戏。但你可以通过以下方式准备：
1. 练习系统思维。 解决涉及多个相互作用变量的问题——供应链优化、生态模拟或约束条件下的资源分配。训练你看到二阶效应的能力。
2. 提高数据解读速度。 查看图表和数据集,然后练习陈述精确结论。数据明确显示了什么？它仅仅暗示了什么？哪里的证据不足？
3. 模拟时间压力。 为复杂问题解决练习设置 35 分钟限制。练习快速做出「足够好」的决策,而不是缓慢做出完美决策。
4. 战略性地使用不计时教程。 当你开始 Solve 时,教程不计入你的时间。阅读说明两遍。做笔记。在计时开始前理解目标。
Solve 在麦肯锡筛选中的作用
麦肯锡以两种方式使用 Solve 分数：
- 淘汰简历强但 Solve 分数低的候选人： 糟糕的 Solve 表现可以覆盖出色的学术成绩
- 识别简历弱但 Solve 分数高的候选人： 强劲的 Solve 结果可以弥补不那么知名学校的劣势
游戏不会取代简历筛选或案例面试——它是补充。即使 Solve 完美通关,也需要扎实的学术资历和面试表现才能拿到 offer。
通过 Solve 的候选人会进入第一轮面试,通常是一轮案例面试和一轮经验面试。为两者做好准备至关重要,因为仅靠 Solve 不能保证成功。
关键要点
- 麦肯锡 Solve 通过随机模拟测试认知能力——记忆答案不起作用
- 「过程分数」评估你的推理方法,而非仅最终答案,通过追踪每次点击
- 从食物链的一端（顶部或底部）开始生态系统问题,绝不从中间开始
- 使用笔和纸记录尝试、标注约束,避免重复失败的假设
- 数据解读需要区分数据证明了什么与它仅仅暗示了什么
- 超过 70% 首次失败；系统性准备能显著提高成功率
用 AI 反馈练习真实案例场景
麦肯锡 Solve 通过模拟测试认知能力,而真实案例面试需要结构化框架和商业判断。CasesCoach 提供两种互补方式来培养这些技能：
引导模式在你解题时提供面试官提示和指导——适合学习框架应用并通过结构化问题解决建立信心。我们的 AI 教练根据你的经验水平调整,引导你走向完整答案。
专家模式模拟真实麦肯锡面试的压力,提供最少指导和时间约束。这个模式测试你能否独立构建问题、优先排序议题并清晰传达洞察——正是你通过 Solve 后会面对的。
两种模式都提供跨五个维度的即时 AI 反馈：结构、分析、沟通、商业敏锐度和计算能力。你还可以使用与案例对话功能,通过我们包含 835+ 咨询案例的库探索真实商业问题,像与导师交流一样提问和测试方法。
开始你的免费 AI 模拟面试,体验 3 个完整案例练习,或浏览我们的完整案例库查看顶级咨询顾问每天解决的问题类型。通过 Solve 打开大门——掌握案例面试才能拿到 offer。