Lovable erläutert die technischen Neuaufbauten hinter 70 Millionen Projekten

4. November 2026, 13:30Quelle: Lovable

Lovable hat beschrieben, wie das Unternehmen seine KI-Softwareplattform wiederholt neu aufgebaut hat. Dabei entwickelte sie sich von offenen Agenten hin zu stärker kontrollierten Tools, Retrieval-Systemen und zustandsbehafteten Rechenumgebungen. Nach Angaben des Unternehmens haben Nutzer bislang mehr als 70 Millionen Projekte auf der Plattform erstellt.

Das Wichtigste in Kürze

Lovable zufolge haben Nutzer mehr als 70 Millionen Projekte erstellt.
Die Plattform entwickelte sich aus dem im Frühjahr 2023 veröffentlichten Open-Source-Projekt GPT Engineer.
Lovable ersetzte offene Agenten bis Ende 2024 durch besser vorhersehbare Tool-Abfolgen.
Wissensdateien und Retrieval halfen dabei, Erkenntnisse aus fehlerhaften Anwendungen auf künftige Aufgaben zu übertragen.
Als verbleibende Herausforderungen nennt das Unternehmen Automatisierung, eine breitere Softwareunterstützung und Vertrauen.

Von GPT Engineer zu Lovable

Im Frühjahr 2023 veröffentlichte der Lovable-Gründer auf GitHub ein Open-Source-Projekt namens GPT Engineer. Nutzer beschrieben die gewünschte Software, beantworteten Rückfragen und erhielten eine vollständige Codebasis.

Später im selben Jahr sah der Plan für Lovable vor, Menschen ohne Programmierkenntnisse per Chat Software erstellen, bereitstellen und verbessern zu lassen, während sie das Ergebnis sofort sehen konnten. Mehr als 100.000 Pull Requests später hat das Unternehmen nach eigenen Angaben, gemeinsam mit seinem Team und unter anderem dem Mitgründer Fabian, diesen Plan in eine Plattform verwandelt, auf der Nutzer mehr als 70 Millionen Projekte erstellt haben.

Lovable konzentrierte sich zunächst auf neue Anwendungen statt auf bestehende Codebasen. Außerdem entschied sich das Unternehmen für einen klar vorgegebenen Technologiestack, der ihm mehr Kontrolle über Bibliotheken, Code-Struktur und Ausführungsumgebung gab. Dadurch konnten Fehler untersucht und das System projektübergreifend mit demselben Setup verbessert werden.

Warum Lovable die Autonomie seiner Agenten beschränkte

Lovable experimentierte zunächst mit autonomeren Agenten. Ein technisches Design ermöglichte es einem Agenten, Aufgaben zu erstellen und Arbeiten an Unteragenten zu delegieren. Das Unternehmen stellte jedoch fest, dass weniger stark eingeschränkte Agenten in technischen Problemen feststecken, Fehler machen und Aktionen ohne vorhersehbaren Abschlusszeitpunkt ausführen konnten.

Daraufhin entfernte das Unternehmen fast den gesamten Agenten-Code und kehrte zu einer besser vorhersehbaren Abfolge von Tools zurück. Ende 2024 nutzte der zentrale Bearbeitungsablauf eine einzige Antwort mit den gewünschten Dateiänderungen sowie Chat und Live-Vorschau. Damals war der native Tool-Aufruf für Lovable noch nicht zuverlässig genug. Deshalb verpackte das Modell den Code in XML-ähnliche Tags wie <lov-write>, die das System nach der Antwort analysierte.

Lovable setzte außerdem fein abgestimmte kleine Sprachmodelle ein, um den für jede gewünschte Änderung relevanten Code zu identifizieren. Dadurch erhielt das zentrale Codierungsmodell den nötigen Kontext, einschließlich Dateien, die nicht bearbeitet werden mussten.

Wissensdateien und schnelleres Feedback

Statt Modelle sofort anhand von Fehlern zu trainieren, werteten die Ingenieure von Lovable Chatprotokolle fehlerhafter Anwendungen aus und verfassten kurze Notizen zu wiederkehrenden Problemen. Diese „Wissensdateien“ wurden bei Bedarf abgerufen und dem Kontext des Modells hinzugefügt.

Ein Beispiel wies das System an, ausschließlich in lucide-react verfügbare Icons zu verwenden und bei Unsicherheit ein generisches Icon auszuwählen. Lovable übertrug denselben Ansatz später auf Lovable Stack Overflow, das Probleme und Lösungen für den Agenten abrief. Nach Angaben des Unternehmens senkte eine frühe Version die Rate, mit der Nutzer feststeckten, um 5 %.

Um den Zyklus aus Bearbeiten, Prüfen und Korrigieren zu verkürzen, entwickelte Lovable Sandboxes, die Projektdateien aufbewahrten und Entwicklungsserver weiterlaufen ließen. Inkrementelle TypeScript-Prüfungen nutzten frühere Arbeit wieder, sodass Fehler an den Agenten zurückgegeben werden konnten, während das Projekt weiterlief. Die Live-Vorschau konnte aktualisiert werden, ohne ein neues Produktions-Bundle zu erstellen.

Abspalten vollständiger laufender Umgebungen

Lovable erweiterte seine Infrastruktur später über das Speichern von Quelldateien hinaus. Die zustandsbehafteten Sandboxes erstellen Prüfpunkte für den Speicher, den CPU-Zustand und die Festplatte eines Rechners und stellen diese bei Bedarf wieder her. Nach Angaben des Unternehmens kann sein Camille-Framework vollständige laufende Computer abspalten und zusammenführen.

Dadurch kann Lovable eine Anwendung zusammen mit ihrer Arbeitsumgebung und Datenbank abspalten. Agenten erhalten so die Möglichkeit, verschiedene Ansätze ausgehend vom selben Ausgangspunkt zu testen. Das Unternehmen sieht darin eine Grundlage für die Bearbeitung komplexerer Softwareaufgaben.

Lovable zufolge sind drei große Probleme weiterhin ungelöst: das Automatisieren von Tests, Bereitstellung und Wartung; die nahtlose Unterstützung aller Arten von Software in unterschiedlichen Umgebungen; sowie der Aufbau ausreichenden Vertrauens, damit missverstandene Anfragen keine Daten löschen oder irreversiblen Schaden verursachen. Diese Herausforderungen bestimmen die nächste Entwicklungsphase der Plattform.