出版研究稿件是科研工作中的常规环节，却常常耗时、压力大且结果不确定。近期大语言模型（LLM）驱动的能动 AI 在多种科研任务中展现出潜力，我们探讨它能否帮助研究者预测稿件最终的发表期刊。我们提出了 PASS（Publication‑oriented Agentic Scientific System），它能够在特定领域文献背景下理解稿件，并给出最匹配的期刊列表。PASS 通过重建稿件的局部科学邻域、追踪主题演化路径、并在领域期刊空间中进行推理，实现对稿件的定位。我们在一个经过泄漏审计的基准上进行评估，涵盖 16 个生物医学子领域、2000 多篇预印本。实验结果显示，PASS 的 Top‑1 准确率为 50.3%，Top‑5 为 86.1%，显著优于最先进的 LLM 基线和已有的期刊选择工具。PASS 生成的影响潜力、创新性等质量评分与独立的发表结果指标高度一致。进一步分析表明，文献检索模块是性能提升的关键，尤其在将稿件与相邻工作进行对比时效果突出；此外，仅凭摘要，PASS 已能保持接近完整文本的表现，而 LLM 基线则需要全文。独立的人类评估也显示研究者对 PASS 的稿件理解和推荐理由有很高的认同度。PASS 已作为公开平台（https://ratemypaper.ai/）向科研社区开放，供广大研究者使用。
点评：PASS 展示了能动 AI 在科研出版流程中的实用价值，尤其是通过文献检索实现的精准定位，为作者提供了可靠的期刊选择参考。