随着现代汽车向智能网联化发展，其复杂性带来了严峻的网络安全风险。威胁分析与风险评估（TARA）已成为满足法规要求、管理这些风险的关键手段。然而，现有的TARA自动化方法大多依赖静态威胁库，难以支撑行业所需的函数级（function-level）精细分析。本文提出DefenseWeaver，这是首个利用组件特定细节和大语言模型（LLM）实现函数级TARA自动化的系统。DefenseWeaver基于扩展的OpenXSAM++格式描述系统配置，动态生成攻击树和风险评估结果，并采用多智能体框架协调多个专门化的LLM角色，以提升分析的鲁棒性。为适应不断演进的威胁和多样化标准，DefenseWeaver还引入了低秩自适应（LoRA）微调和检索增强生成（RAG）技术，结合专家编制的TARA报告。作者在四个汽车安全项目中部署验证了DefenseWeaver，识别出11条关键攻击路径，这些路径均通过渗透测试验证，并由相关汽车制造商和供应商上报及修复。此外，DefenseWeaver展现了跨领域适应性，成功应用于无人机（UAV）和海事导航系统。在与人类专家的对比中，DefenseWeaver在六个评估场景下均优于手动攻击树生成。该系统已集成到联合汽车电子（UAES）和小米等商业网络安全平台中，累计生成超过8200棵攻击树。这些结果证明了DefenseWeaver在缩短处理时间、提升可扩展性方面的能力，并为网络安全行业带来了变革性影响。