高级持续性威胁（APT）因其多阶段和隐蔽性而难以检测和解释。现有的自主防御系统利用溯源图和学习模型进行检测和缓解，但其输出主要是机器导向的，分析师难以理解。大型语言模型（LLM）为报告生成提供了有前景的接口，但常常产生幻觉或缺乏证据支持的内容。本文提出DeepFaith，一个基于证据的忠实事件报告框架，用于多阶段APT防御。DeepFaith将自主防御和可解释性模块的结构化输出转换为自然语言报告，这些报告与底层系统证据明确对齐。该框架集成了统一证据表示、基于证据的提示、忠实感知生成和生成后验证，以确保所有生成的陈述都有依据。在真实企业测试床上的实验表明，DeepFaith将忠实度从0.68提升到0.92，将无依据声明从0.32降低到0.08，并将时间一致性从0.6提升到0.88，同时保持简洁的报告和比现有基于模板和基于LLM的解决方案更低的错误率。这些结果表明，基于证据的生成能够为安全运营中心提供可靠、可解释且可操作的事件报告。