本文是一篇来自工业界的案例研究，旨在解决软件漏洞严重性评估的可扩展性与隐私问题。当前安全分析师手动分配CVSS评分的方式难以应对漏洞数量增长，且传统方法常依赖云端LLM服务，存在代码片段泄露的机密性风险。为此，作者提出利用本地可部署的开源LLM，基于漏洞相关的C/C++代码片段，通过上下文学习（in-context learning）直接预测CVSS v3.1分数。研究首先对比了专有工业数据与公开的Big-Vul数据集，发现两者的CVSS分布高度一致，从而验证了将Big-Vul作为工业数据代理来构建基于提示的测试平台的合理性。随后，作者系统变化上下文配置和模型参数，评估了CodeLlama2-7B、CodeLlama2-13B、Mistral-7B、gpt-oss和GPT4o-mini等模型，使用均方误差（MSE）和可行性指标进行衡量。实验结果表明，中等规模的开源代码模型（特别是CodeLlama2-7B）在轻量级输出约束提示的引导下，能够接近最佳云端模型的CVSS回归性能，为工业场景下的严重性分诊提供了一种实用且隐私保护的构建模块。该研究的主要贡献包括：验证了公开数据集作为工业数据代理的可行性，系统比较了多种开源模型在本地部署下的性能，以及展示了上下文学习在漏洞严重性预测中的潜力。适合软件安全工程、漏洞管理平台开发者和关注隐私保护的安全团队阅读。