一句话总结
McKinsey的技术岗位不是让你来做咨询的——他们要的是能帮麦府把AI产品和数据服务卖进甲方口袋的工程师。你面的是SDE岗位，但面试官问的每一道系统设计题，都在评估你能不能用技术语言向非技术合伙人解释清楚架构选择，以及在客户现场快速搭建最小可行方案的能力。这不是Google的纯编码面试，也不是Amazon的行为面套题，McKinsey要的是技术能力和商业直觉的交汇点。
适合谁看
这篇文章写给三类人：第一类是正在投递McKinsey技术岗位的2026届CS/EE毕业生，你的简历上至少有两次实习经历，但不确定麦府的技术面试到底考什么；第二类是已经在面试流程中、刚收到OA或技术电面的候选人，你需要知道每一轮的具体考察重点和淘汰率；第三类是手握McKinsey和其他科技公司offer、正在权衡选择的中高级工程师，你想知道麦府的技术职级和成长路径是否值得放弃FLAG的package。
如果你是纯粹追求技术深度的人，这篇文章的逻辑可能和你八字不合——McKinsey的技术岗本质是技术服务于咨询业务，代码只是手段不是目的。如果你是想靠刷题量硬扛面试的人，也请绕道——麦府的技术面不考hard algorithm，你刷两百道LeetCode不如准备好一个能讲清楚的技术项目。
McKinsey为什么招SDE——不是技术驱动，而是业务驱动
McKinsey不是科技公司，这一点必须先说清楚。你去McKinsey写代码，和去Google写代码，是两回事。
Google的SDE岗位，核心使命是构建让十亿人使用的产品，代码质量、系统稳定性、扩展性是生死线。McKinsey的SDE，核心使命是帮合伙人快速交付客户项目，代码能跑、能演示、能说服客户加钱买后续服务，才是衡量标准。
这不是说McKinsey的技术栈low——事实上麦府内部有很先进的数据平台和AI工具，QuantumBlack团队在MLOps领域的技术深度不输任何科技公司。但问题在于，你的日常工作不是优化一个用了五年的遗留系统，而是频繁地从零开始搭建新项目，然后交给客户或者卖给客户。
一个真实的场景是这样的：你在debrief会议上，hiring manager问你：“如果我们让你去一个制造业客户的工厂，呆两周搭建一个预测性维护系统，你会怎么组织你的工作？”这不是一道系统设计题，这是一个项目规划题。正确答案不是画出漂亮的架构图，而是先问客户的数据质量、预算、决策链，然后说“我会用三天时间做data assessment，七天搭MVP，剩下两天给客户做demo和培训”。技术是第二步，业务理解才是第一步。
McKinsey招SDE的底层逻辑，不是建立技术中台，而是增强咨询业务的交付能力。你面的是技术岗位，但你的老板是合伙人，你的客户是甲方企业，你的KPI是项目能不能按时交付、客户愿不愿意加单。
> 📖 延伸阅读：McKinsey产品经理简历怎么写才能过筛2026
面试流程拆解——每一轮考什么、多久、怎么筛人
McKinsey的新生SDE面试一共四轮，不是五轮也不是三轮。这个数字在过去两年稳定下来，但每一轮的内容和淘汰率在悄悄变化。
第一轮是OA，Online Assessment，时长90分钟。一般是两道coding题，难度在LeetCode medium左右，但题目背景往往带有业务色彩——不是让你反转链表，而是让你模拟一个咨询项目的任务调度系统。OA的通过率大约在40%到50%之间浮动，取决于那一批申请者的整体质量。关键点在于：OA不是只看答案对不对，你的代码风格、注释、边界情况处理都会被记录。McKinsey的OA用的是HireVue平台，除了代码输出，还有两道视频录制的行为题，每道题给你两分钟准备、一分钟回答。这部分很多人不当回事，但实际上它决定了你的OA能不能进入人工review。
第二轮是技术电面，时长60分钟。一个工程师和你一对一，用CoderPad或者类似的共享编辑器。你会被问到一到两个follow-up的coding题，但重点不在于你能不能写出最优解，而在于你能不能一边写一边说清楚你的思路。麦府的技术电面有一个隐藏考察点：面试官会故意challenge你的方案，看你能不能接受反馈、调整思路。有的人写完代码就沉默，等面试官下一个问题——这种人大概率挂。正确的做法是主动问面试官：“你觉得这个方案有什么瓶颈？如果数据量增加十倍怎么办？”把技术讨论变成对话，而不是你问我答。
第三轮是现场面试，或者视频现场，一共两到三个back-to-back session，每个45分钟到一小时。第一个session是深度技术面，系统设计为主。你会被问到类似“设计一个支持实时数据分析的dashboard”这样的问题，但麦府的系统设计题和Google的区别在于：Google要你设计一个能服务一千万DAU的系统，麦府要你设计一个能说服客户购买这个系统的方案。这意味着你不仅要画出架构图，还要能解释为什么选这个技术栈、为什么这个方案比竞品便宜、为什么客户需要这个功能。第二个session是行为面，考察你能不能在团队中工作、能不能handle ambiguity、能不能在高压下交付。这部分用的是McKinsey经典的PES（Personal Experience Survey）框架，你准备好了STAR故事，不一定能过——因为面试官会深挖你的动机和决策过程，问到你答不上来为止。
第四轮是合伙人面，或者叫Principal interview，时长45分钟。这一轮不考技术了，考的是你能不能用技术语言和商业语言自如切换。合伙人可能会问你：“如果你加入我们团队，你想做什么方向的产品？”或者“如果你发现客户的需求和技术实现之间有巨大gap，你会怎么处理？”这一轮的淘汰率最高——不是技术不行，而是候选人表现得像一个只会写代码的工程师，而不是一个能帮麦府卖服务的consultant。
技术考察重点——不是算法，是系统思维和业务理解
很多人以为McKinsey的技术面会和Google一样考DFS+BFS、动态规划、图论算法。错。
McKinsey的coding题，难度上限是LeetCode medium，而且往往有明确的业务背景。你可能会遇到类似“给定一个客户订单数据集，找出连续三个月消费额下降超过20%的客户列表”这样的题目。这不是算法难题，这是SQL和数据处理的变体。考察的是你对数据结构的熟练度——数组、哈希表、堆——而不是你对高级算法的掌握。
系统设计才是真正的分水岭。麦府的系统设计题有三个特点：第一，题目往往没有标准答案，面试官想看你怎么问问题、怎么做trade-off；第二，业务约束比技术约束更重要——客户预算、时间线、数据质量，这些非技术因素往往决定了架构选择；第三，你需要能画出架构图，并且用非技术语言解释给“客户”听。
一个具体的例子是：面试官让你设计一个给零售客户用的库存预测系统。错误答案是堆砌技术名词——“我们用Kafka做消息队列，用Spark做流处理，用TensorFlow做预测模型，用Redis做缓存，用PostgreSQL做持久化存储。”这种答案听起来很专业，但没有任何业务逻辑。正确答案是什么？先问客户有多少数据、数据质量如何、有多少预算、多长时间要上线。根据这些约束，再决定技术方案。预算有限就用现成的SaaS服务，时间紧张就先做规则引擎而不是ML模型，数据质量差就先做数据清洗pipeline。技术选型不是炫技，是解决问题。
还有一个隐藏考察点：你在系统设计中体现的cost意识。麦府是咨询公司，合伙人最怕听到工程师说“这个方案很好但是很贵”。你需要在设计中体现成本意识——用serverless而不是自建服务器，用开源组件而不是商业license，能用现有API就不自己开发。这不是技术妥协，这是商业直觉。
> 📖 延伸阅读：McKinsey项目经理面试真题与攻略2026
行为面试——不是背故事，是展示决策模式
McKinsey的行为面不叫behavioral interview，叫PES，Personal Experience Survey。这个名字本身就说明了问题：他们不是在考察你做过什么，而是在考察你是什么样的人。
PES的底层逻辑是：通过你过去面对挑战、冲突、 ambiguity时的决策模式，推断你在麦府的项目中会如何表现。这和Google的behavioral面不一样——Google问的是leadership principles，Amazon问的是14条领导力原则，McKinsey问的是你能不能在模糊环境中做决策并为之负责。
一个典型的PES问题是这样的：“告诉我一次你和同事在技术方案上产生严重分歧的经历。你是怎么处理的？最终结果是什么？如果重来一次，你会做什么不同的事？”注意，最后一句话才是关键。McKinsey想知道的是你能不能反思、能不能承认自己不完美、能不能从错误中学习。如果你回答“我坚持了我的方案，最后证明我是对的”，这在麦府的行为面中是减分项——他们要的是能协作、能妥协、能成长的人，不是永远正确的独行侠。
准备PES不需要背很多故事，你只需要准备好三个核心故事线：一次你展示leadership的经历、一次你展示problem solving的经历、一次你展示collaboration的经历。每个故事线准备两个版本——一个成功的、一个失败的。成功的故事用来展示你的能力，失败的故事用来展示你的成长。
还有一个容易被忽视的点：PES中会问到你的motivation。为什么是McKinsey？为什么是现在？为什么是技术岗位？很多候选人回答“因为我想做consulting”、“因为我喜欢解决问题”——这种答案太泛，没有区分度。好的答案是具体的：你是因为某个麦府的项目、某个技术产品、某个行业方向而选择麦府。你需要做功课，了解麦府最近在做什么方向的技术产品，QuantumBlack在做什么，数字化转型团队在做什么。合伙人面的时候，这些知识会救你的命。
薪资和级别——不是互联网大厂的package，但也不低
McKinsey的新生SDE package，在硅谷地区2025年的标准是：base salary大约$100,000到$115,000，取决于你的学校和实习经历。RSU，也就是股票期权，第一年大约$15,000到$25,000，分四年 vesting。Sign-on bonus大约$10,000到$15,000。综合起来，第一年total compensation大约$125,000到$155,000。
这个数字比Google、Meta的新生package低，但比Accenture、Infosys这些传统咨询公司的技术岗高。关键在于bonus和promotion路径。McKinsey的performance bonus和项目绑定，如果你跟的项目做得好，bonus可以到base的15%到25%。而且麦府的promotion速度比科技公司快——两年升一级不是梦，senior engineer到principal engineer通常只需要三到四年。
级别体系是这样的：entry level叫Associate Software Engineer，两到三年后升Senior Software Engineer，再两到三年升Staff Software Engineer，再往上Principal Engineer、VP Engineering。技术路线和咨询路线是分开的，技术岗位不强制要求做people management，你可以一直走IC路线。
但有一个现实问题：McKinsey的技术岗位hc很少。全球范围内，新生SDE岗位一年可能只招几十个人，而Google一年招几千个。这意味着你的竞争者不是普通人——是MIT、Stanford、CMU的顶尖学生，是有顶级科技公司实习经历的候选人。你需要接受的现实是：McKinsey的SDE岗位，难度不在面试本身，而在简历筛选。
准备清单——不是刷题，是构建完整的能力展示
如果你只能从这篇文章带走一条建议，那就是：把每一次面试都当成一个项目来管理，而不是一个考试来准备。
第一条，确认你的简历上至少有两个能讲满十分钟的技术项目。这两个项目必须满足三个条件：你做了核心的技术决策、你遇到了技术瓶颈并解决了、你清楚这个项目的业务影响。McKinsey的面试官不关心你用了什么框架，他们关心的是你在项目中扮演了什么角色、做了什么决策、产生了什么结果。如果你的简历上写着“参与了一个推荐系统的开发”，这种描述在麦府的筛选中活不过三秒。
第二条，系统复习数据结构与算法，但只刷medium难度的题目，重点训练你的沟通能力。刷题的目的是保持手感，不是为了刷到hard题。LeetCode前200道medium题足够应付OA和电面。关键训练的是你在写代码的同时能口头解释你的思路、能回答follow-up问题、能接受面试官的hints并调整方案。
第三条，准备好你的系统设计知识库。常见的设计题——设计一个短链接服务、设计一个分布式缓存、设计一个消息队列、设计一个实时推荐系统——你需要能画出架构图、能解释每个组件的选型理由、能讨论trade-offs。但更重要的是，准备好这些设计题的业务版本：不是“设计一个短链接服务”，而是“设计一个给营销团队用的短链接追踪系统”，你需要考虑analytics、tracking、reporting这些业务功能。
第四条，准备PES故事线。如前所述，三个核心故事线，每个准备两个版本。练习的时候不要背稿，而是反复复盘你的决策过程。找朋友做mock interview，让他们challenge你的故事，问到你答不上来为止。真实的PES面试中，面试官会深挖细节，你编的故事经不起追问。
第五条，了解McKinsey的业务和技术产品。QuantumBlack是麦府的AI/ML部门，做了很多MLOps和数据平台项目。Digital Transformation是另一个大方向，涉及企业数字化转型。浏览麦府官网的技术博客、tech talks、case studies，知道他们在做什么、说什么语言。合伙人面的时候，你不需要成为专家，但你需要表现出你对麦府的业务有 genuine interest。
第六条，准备好问面试官的问题。每一轮面试的最后，面试官都会问你有没有问题。问对了问题，比答对问题更重要。问业务问题——这个团队目前最大的技术挑战是什么？最近在做什么项目？加入之后的第一周会做什么？不要问薪酬、福利、签证这些可以在offer阶段再谈的问题。问问题是为了展示你对业务的敏感度和对团队的 genuine interest。
第七条，如果有可能，找到在McKinsey工作的工程师做informational interview。这不是走后门，而是获取inside information。你需要知道真实的工作状态、项目类型、团队文化。这些信息在官网和Glassdoor上找不到，但能决定你到底适不适合这家公司。PM面试手册里有完整的硅谷科技公司面试结构拆解，其中关于系统设计和行为面的准备框架可以参考。
常见错误——不是能力问题，是定位问题
错误一：把McKinsey当成Google来准备。
具体案例：一个candidate在OA中完美做出了两道coding题，代码简洁、时间复杂度最优，但他在视频录制行为题中表现得像在背答案。面试官在他的debrief notes里写的是：“Technical能力过硬，但communication skills存疑，无法判断他能否在client-facing环境中工作。”他挂了第二轮。
正确的做法是什么？OA的视频题是 behavioral assessment，不是技术考核。你需要表现得自然、真诚、有对话感。提前准备但不要背诵，眼神看摄像头而不是看稿，语速适中，必要时可以微笑。麦府的HR专门训练过如何识别背诵痕迹。
错误二：在系统设计中炫技，忽略业务约束。
具体案例：一个candidate在系统设计环节画了一个极其复杂的架构图，用了Kafka、Spark、Flink、TensorFlow、Cassandra等一系列技术。面试官问了一个问题：“客户预算只有五万美元，时间只有两个月，这个方案怎么落地？”candidate答不上来。面试官的反馈是：“他技术能力很强，但他设计的系统客户买不起、用不起、养不起。”
正确的做法是什么？系统设计的第一步永远是问问题。问数据量、问预算、问时间线、问团队规模、问客户的技术成熟度。根据约束条件做技术选型，而不是根据技术能力做炫技展示。麦府的系统设计考的是商业可行性，不是技术复杂度。
错误三：在合伙人面表现得像一个求职者而不是一个潜在同事。
具体案例：一个candidate在合伙人面中被问到“你为什么想加入McKinsey”，他回答“因为我想学习咨询行业，我想了解商业”。合伙人当场脸色就变了。合伙人后来说：“他把我们当成学校了。McKinsey不是让你来学习的，是让你来交付的。”
正确的做法是什么？合伙人要的是能立刻上手干活的人。你应该说“我看到贵司在量子计算/AI/数字化转型方向的布局，我之前在XX项目中积累了YY经验，我相信我可以贡献ZZ价值”。展示你能带来什么，而不是你能学到什么。
FAQ
问题一：McKinsey的SDE面试到底要不要刷题？
我的判断是：需要刷，但不需要刷太多。OA和电面会考coding，但难度不高，medium足够。真正拉开差距的是系统设计和行为面。你花200小时刷题，不如花50小时准备系统设计、50小时准备PES。如果你是CS科班出身、有过至少两次实习经历，你的coding基础已经足够应付麦府的技术面。把时间花在展示你的项目经验、业务理解、沟通能力上，比刷更多的hard题有用得多。
问题二：McKinsey的技术岗位和咨询岗位，哪个更适合我？
这取决于你想要什么样的工作模式。咨询岗位的工作内容是分析问题、做PPT、给客户汇报、出差频繁、时间不规律但成长快。技术岗位的工作内容是写代码、搭系统、支持项目交付、偶尔出差但强度可控。如果你热爱写代码、想深耕技术、但也想接触业务，McKinsey的SDE是一个好选择。但如果你想成为纯技术专家、想写最复杂的代码、想参与最前沿的技术项目，去科技公司。麦府的技术岗，技术是手段不是目的，这一点想不清楚，你进去之后会非常痛苦。
问题三：如果我同时拿到了McKinsey和Google的SDE offer，我该怎么选？
这取决于你的长期职业规划。如果你想在技术领域深耕、想写最核心的代码、想参与大规模分布式系统的建设，去Google。Google的tech stack更先进、peer更优秀、成长天花板更高。如果你想快速接触商业场景、想学习如何用技术解决问题、想在三十岁之前就独立lead项目，McKinsey是更好的选择。McKinsey的SDE升职速度比Google快，三到四年可以到staff engineer，在Google可能需要五到六年。还有一个现实因素：McKinsey的hc少、竞争激烈，如果能拿到offer，说明你是top candidate，这个signal本身有价值。选哪个都没有错，关键是你要想清楚你要什么。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。