本文提出 CHARGE，一个面向未验证 RTL 模块的自动化安全属性生成框架，结合 CWE（通用弱点枚举）与大型语言模型（LLM）来推断安全行为并生成 SystemVerilog 断言（SVA）。核心创新在于利用 CWE 条目的层级化结构作为推理线索，提高在未验证 RTL 中识别安全关键资产的准确性。与依赖可信设计规范的传统方法不同，CHARGE 从已识别资产和 CWE 语义中直接推导预期安全属性，从而避免对设计规范的强依赖并降低人工工程开销。作者在 Hack@DAC18、19、21 的开源 SoC 设计上使用 OpenAI GPT-4.1 进行评估。结果显示，CHARGE 能检测出这些设计中 42 个已知漏洞中的 27 个；针对 Hack@DAC21 OpenPiton SoC，生成的 SVA 中 89% 可在 Cadence JasperGold FPV 上运行，92.2% 为非空断言。与开源手工编写属性集相比，CHARGE 能正确编写 3 个手工属性写错的漏洞对应属性。此外，CHARGE 生成的属性还发现了 Hack@DAC21 OpenPiton SoC 中一个此前未被识别的新 bug。主要贡献包括：提出 CWE 层级驱动的资产识别与属性生成流程；验证了 LLM 在硬件安全属性生成中的可行性；展示了比手工方法更全面、更准确的自动属性提取能力。适合硬件安全研究员、SoC 验证工程师以及 LLM 辅助安全分析领域从业者阅读。