1 · 理解稿件　模型读取标题与摘要，抽取研究方向、关键词、研究类型（基础 / 临床 / 生信）。
2 · 结构化筛选　按抽取出的方向，在 36,325 本期刊中按学科、细分类别、分区、出版模式做硬筛选—— 这一步是数据库查询，不经过模型，因此不会出现"编造一本不存在的期刊"。
3 · 排序与解释　模型对候选期刊排序，并基于该刊真实字段写出命中理由。 每条理由都可点击回溯到具体数据字段。
4 · 约束校验　输出前校验刊名、ISSN、分区是否真实存在于库中，不匹配则拒绝输出。

通用大模型的期刊知识来自训练语料，存在两个致命问题：一是幻觉—— 会给出不存在的期刊或错误的分区；二是滞后——影响因子与分区每年变动，模型记忆往往过时。 本站把"事实"锁定在数据库里，模型只做理解与表达，从机制上消除这两类错误。

单次选刊消耗约 2,000–5,000 token，按国产大模型 API 计价约 0.005–0.01 元，一千次推荐成本不足 10 元。 真正的门槛不是模型，是 36,325 本期刊的结构化数据与 15 年、5 万余篇的润色经验。