本文针对先进制造业中日益复杂的网络物理攻击面与威胁情报分析难题，提出了一种基于图谱的神经符号推理框架 NeuroGraph。尽管大语言模型（LLM）与检索增强生成（RAG）已显著改善威胁情报工作流，但仍存在幻觉问题，并且难以对相互关联的威胁执行结构化推理。传统的图增强 RAG 也缺乏本体一致的多跳推理以及跨异构网络安全数据的透明证据追溯。NeuroGraph 融合了本体感知的符号查询生成、知识图谱检索和神经语言生成，能够在信息技术（IT）与运营技术（OT）环境中进行准确且可解释的威胁分析。该框架采用双大语言模型架构：第一层将自然语言问题转换成可执行的 Cypher 查询，以便在知识图谱上进行符号检索；第二层严格利用检索得到的图谱证据来生成答案，从而抑制臆测。基于公开的 CTI 基准评测，该方法与既有基线相比，在推理准确率上一致更优，同时显著减少幻觉、增强多跳推理能力，并提升了对对抗扰动的鲁棒性。运行时与可解释性分析表明，该框架保持了交互式的推理性能，并输出基于图谱的推理轨迹，分析人员可以据此检查、验证每一步的推理结论。总体而言，这项工作展示了图基神经符号推理在下一代工业5.0环境中作为可扩展、可解释且可靠的威胁情报分析方法的潜力。适合安全研究人员与威胁分析工程师阅读，以了解如何将知识图谱与双 LLM 结合起来提升 CTI 的可信度与可审计性。