该论文针对汽车行业CVE描述与Auto-ISAC汽车威胁矩阵（ATM）之间自动映射的置信度问题展开研究。由于CVE描述侧重于技术条件和影响，而ATM表达的是攻击者的战术和技术，两者表示方式不对齐，导致在安全关键环境中错误的自动映射可能扭曲威胁解读和缓解优先级。因此，本文提出了一种置信度感知的LLM路由框架，将汽车CVE到ATM的映射重构为选择性自动化问题。该框架首先通过分层上下文学习（hierarchical in-context learning）生成候选映射，然后融合自一致性（self-consistency）和基于LLM的证据验证信号，通过校准的元模型输出置信度分数。该分数将每个候选映射路由至三种操作之一：AUTO（自动确认）、REVIEW（需要分析师审查）或HOLD（暂不处理）。在评估集上，该系统在匹配召回率下显著提升了候选集精确度，相比扁平零样本GPT-5.2基线，高置信度模式下AUTO层的精确度达到0.878，是候选集基准率的两倍以上，且校准置信度分数在区分正确和错误候选上的AUROC达到0.868。实验证明该框架能够通过隔离可自动确认的映射与需要分析师审查的映射，支持选择性自动化。本文适合汽车安全分析师、SOC团队以及研究LLM在安全领域应用的学者阅读。