本文提出了一种名为Agentic SABRE（Semantic-Behavioural Arbitration for Ransomware Evaluation）的不确定性感知、神经符号多智能体框架，用于自适应勒索软件检测。核心问题在于传统静态签名和单一分类器难以应对勒索软件的漂移、规避和行为多态性。方法上，SABRE融合了基于语义的表示证据与基于行为的时序取证，并通过蒙特卡洛Dropout推断为每个智能体量化认知不确定性。引入决策层编排器，使用风险评分和不确定性预算两个可解释阈值：高置信度、高风险的样本自动处置，不确定或边界样本上报给人工分析师，建立了自主响应与分析监督之间的灵活计算契约。此外，SABRE集成了事后可解释性机制，包括梯度显著性、排列重要性和反事实分析，支持局部和全局决策解释。在RDset和RanSMAP数据集上的评估表明，Agentic SABRE在饱和语义数据集上保持完美区分（AUC=1.0），在弱行为信号下提升了鲁棒性，在同等召回率下误报率相对降低最多4.9%，且反事实分析显示语义和行为决策均可在有界扰动成本下逆转，表明决策边界稳定且可解释。本论文适合安全研究人员、SOC分析师及关注AI驱动检测的从业者阅读。