本文针对汽车网络安全领域中的CVE到Auto-ISAC汽车威胁矩阵(ATM)映射问题，提出了一种置信度感知的LLM路由框架。由于CVE描述侧重技术条件和影响，而ATM表达攻击者的战术和技术，两者不对齐，直接自动映射可能产生错误，进而扭曲威胁解释和修复优先级。作者将该映射重新定义为选择性自动化问题：首先通过层级上下文学习（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，训练一个校准的元模型来输出置信度分数。根据置信度分数，每个候选映射被路由到三个等级：AUTO（自动接受）、REVIEW（需分析师审查）或HOLD（搁置）。在评估集上，该系统在匹配召回率下显著优于Flat零样本GPT-5.2基线。在高置信度操作模式下，AUTO层的精度达到0.878，是候选集基准率的两倍多；校准置信度分数区分正确与错误候选的AUROC为0.868。实验证明该框架能有效隔离可自动确认的映射，减少人工审查工作量，同时保证高精度。