Lovable：从周末副项目到 66 亿美元估值的 AI 软件开发平台全景研究

Lovable（前身 GPT Engineer）是 2024-2026 年增长最快的 SaaS 公司之一——从正式发布到达成 $4 亿 ARR 仅用 15 个月，团队仅 146 人。 这家总部位于斯德哥尔摩的初创公司，由前 CERN 物理学家 Anton Osika 与 26 岁的连续创业者 Fabian Hedin 联合创立，凭借"让任何人都能创造出人们喜爱的软件"这一愿景，在 AI 编程工具赛道中开辟了独特的非技术用户路线。其核心策略是：用高度约束的技术栈换取 AI 生成代码的可靠性，用开源社区积累的 5 万+ GitHub stars 冷启动商业产品，并以极致的人均效率（每位员工贡献 $274 万 ARR，约为行业平均 10 倍）实现规模化增长。

一、完整生命周期：从 CERN 到独角兽

创始人背景

Anton Osika（CEO） 出生于 1990 年，成长于斯德哥尔摩 Bromma 的华德福学校，家庭"精神富裕但物质贫乏"。他在香港科技大学获得物理学学士后，进入 KTH 皇家理工学院攻读工程物理与应用数学硕士。关键转折点发生在 CERN 的暑期实习——他加入了 ATLAS 实验的超对称性研究组，但这段经历非但没有激励他，反而成为他的"幻灭时刻"：

"在 CERN 这样的地方，一万名极其聪明的人聚在一起……你会意识到你可以汇集这些人来建造之前不可能的东西。但这是对脑力的巨大浪费，因为你在解决一个如此缺乏弹性的问题——进展缓慢、不确定、可能永远无法突破。"

这段经历让他形成了"弹性"思维——将才华投入到努力能产生实际回报的领域。离开学术界后，他先后担任一家投资公司的首任技术人员（帮助实现年回报率 >80%）、Sana Labs 的第一号员工和创始工程师（该公司后以 $10 亿被 Workday 收购）、以及 Depict.ai 的联合创始人兼 CTO（YC 2020 夏季批次，获 Tiger Global 和 EQT Ventures 共 $2000 万投资）。

Fabian Hedin（CTO） 年仅 26 岁，10 岁开始创业，11 岁靠运营 Minecraft 服务器赚取数千美元，高中期间创立并出售了一家瑞典租赁市场的 PropTech 公司 TenFAST。他曾为物理学家 Stephen Hawking 开发计算机通信界面，并与前 SpaceX 工程师合作开发高级轮椅技术。他在 Depict.ai 担任前端负责人期间与 Osika 相识，两人于 2023 年 11 月在斯德哥尔摩正式联合创立公司（法律实体名称从一开始就是"Lovable"）。2025 年 12 月 Series B 后，Forbes 估计两人各持有公司约 24% 股份，净资产约 $16 亿，Hedin 成为欧洲历史上最年轻的白手起家亿万富翁之一。

关键里程碑时间线

| 时间 | 事件 | 关键指标 | |------|------|----------| | 2023 年 6 月 | GPT Engineer 开源 CLI 工具发布，Show HN 获 178 分 | GitHub 史上增长最快的 repo，2 个月获 5 万+ stars | | 2023 年 11 月 | 公司正式在斯德哥尔摩注册成立 | 2.7 万人 beta 等候名单 | | 2023 年 12 月 | 首个商业版 gptengineer.app 上线 | 反响平淡，留存率低 | | 2024 年 8 月 | 改进版上线 | 增长迅速见顶 | | 2024 年 10 月 | €680 万 Pre-seed (Hummingbird, byFounders) | — | | 2024 年 11 月 21 日 | 品牌重塑为 Lovable，正式公开发布 | Product Hunt #1，Hacker News 首页 | | 2024 年 12 月 | 发布第 1 周 | ~$100 万 ARR | | 2024 年 12 月底 | 发布第 4 周 | $400 万 ARR | | 2025 年 1 月 | 发布 60 天 | $1000 万 ARR，15 名员工，总支出仅 $200 万 | | 2025 年 1 月 2 日 | GitHub 封禁事件（19 小时中断） | 紧急搭建 AWS S3 备用 Git 后端 | | 2025 年 2 月 | $1500 万 Pre-Series A (Creandum 领投) | $1700 万 ARR，3 万付费用户 | | 2025 年 3 月 | 发布 120 天 | $3000 万 ARR | | 2025 年 5 月 | — | $5000 万 ARR，18 名员工 | | 2025 年 6-7 月 | Agent Mode 上线；$2 亿 Series A（$18 亿估值，Accel 领投） | $1 亿 ARR，18 万付费用户 | | 2025 年 8 月 | $1.3 亿 ARR | Lovable 2.0 发布 | | 2025 年 11 月 | Slush 大会公布 | $2 亿 ARR，~800 万用户，~100 名员工 | | 2025 年 12 月 | $3.3 亿 Series B（$66 亿估值，CapitalG + Menlo 领投） | 总融资 ~$5.5 亿 | | 2026 年 2 月 | — | $4 亿 ARR，146 名员工，单月增长 $1 亿 |

融资全景

| 轮次 | 日期 | 金额 | 估值 | 领投方 | 关键参投方 | |------|------|------|------|--------|------------| | Pre-seed | 2024.10 | €680 万（~$750 万） | 未披露 | Hummingbird, byFounders | — | | Pre-Series A | 2025.02 | $1500 万 | 未披露 | Creandum | 天使：Adam D'Angelo (Quora)、Charlie Songhurst、Thomas Wolf (HuggingFace) | | Series A | 2025.07 | $2 亿 | $18 亿 | Accel | 20VC, Visionaries Club, Creandum, byFounders, Hummingbird | | Series B | 2025.12 | $3.3 亿 | $66 亿 | CapitalG (Alphabet), Menlo Ventures | Khosla, NVentures (NVIDIA), Salesforce Ventures, Databricks Ventures, Atlassian Ventures, HubSpot Ventures, EQT Growth, DST Global |

驱动各轮融资的因素各有不同。Pre-seed 主要基于开源社区的巨大势能（5 万 stars）和创始团队的连续创业背景；Pre-Series A 发生在 $17M ARR 的极速增长阶段，投资者被"60 天从零到千万 ARR"的数据说服；Series A 的 $2 亿大额融资基于 $1 亿 ARR 这一罕见增速——这是 SaaS 历史上达到该里程碑最快的公司之一；Series B 则是在 6 个月内估值翻 3.7 倍，反映了 AI 编程赛道的白热化竞争和 Lovable 在非技术用户市场的领先地位。Klarna、Slack、Canva、Datadog 等公司 CEO 作为天使投资人的参与，进一步佐证了企业级客户的认可。

品牌重塑：为什么从"GPT Engineer"改名"Lovable"

品牌重塑发生在 2024 年 11 月 21 日，正式博客发布于 2025 年 1 月 13 日。改名有三重原因：

产品已根本性改变——从 CLI 工具演变为全栈应用构建平台，"GPT Engineer"暗示了一个远比实际产品窄的用例
底层模型已切换——主力模型从 OpenAI GPT 变为 Anthropic Claude，"GPT"名称产生误导
理念升级——从"最小可行产品"（MVP）到"最小可爱产品"（Minimum Lovable Product），"Lovable"直指他们的使命：创造人们真正喜爱的软件

CTO Fabian Hedin 坦言："更名在内部引发了激烈辩论。我其实很长一段时间主张保留 GPT Engineer——你会对名字产生感情。但公司法律名称从一开始就是 Lovable。"

二、产品与技术策略：约束即力量

多模型编排的"Hydration"架构

Lovable 的核心技术理念是用简单性换取可靠性——在大量实验后，他们明确拒绝了复杂的多 Agent 架构（如 Devin 式方案），发现更简单的单 Agent 循环效果更好、速度更快、用户也更容易理解失败原因。

其 AI 引擎采用"Hydration 模式"：

快速小模型（最初为 OpenAI GPT-4o Mini）负责上下文准备：判断哪些文件相关、做初步信息整理
大型模型（主力为 Anthropic Claude 3.5 Sonnet）执行核心的代码生成任务
后续可能再调用快速模型做收尾

这种设计背后的洞察是：速度是第一优先级。A/B 测试显示，即便 Claude 3.5 Haiku 发布后，GPT-4o Mini 在"Hydration"步骤上仍更具性价比。他们没有使用微调（fine-tuning），而是通过精心设计的 prompt 工程和严格的回归测试流程来"教"模型——每次出现问题后，团队会诊断原因、修改 prompt、手动测试、然后对历史查询进行大规模回归测试，确保修复不引入新问题。

高度约束的生成代码技术栈

Lovable 做了一个反直觉但极其聪明的决定：严格限定生成代码的技术栈，而非支持多种框架。所有用户应用统一使用：

| 层次 | 技术选择 | |------|----------| | 前端框架 | React 18+ (TypeScript) | | 构建工具 | Vite（快速 HMR、优化打包） | | 样式 | Tailwind CSS + 语义化设计 tokens | | 组件库 | shadcn/ui + Radix UI（40+ 预构建无障碍组件） | | 路由 | React Router v6 | | 状态管理 | React Context API | | 后端/数据库 | Supabase（PostgreSQL、Auth、Storage、Edge Functions、Realtime） | | 支付 | Stripe | | 邮件 | Resend | | 部署 | Lovable Cloud 或自定义域名 | | 版本控制 | GitHub（双向同步） |

这种约束的核心逻辑是：解空间越小，AI 的生成质量越高。通过将所有不确定性集中在一个经过深度优化的技术栈上，LLM 可以在这个特定的"地图"上达到远超通用工具的准确率。

Agent 工作流：5 步循环

目标与约束：用户通过自然语言描述需求
上下文收集：平台收集项目文件、环境状态、历史迭代信号
智能文件选择：小模型预判哪些文件与当前任务相关（关键决策：不向大模型喂全部文件——这会显著降低输出质量）
规划与生成：大模型制定变更计划，生成前端、后端、数据层的补丁
构建与预览：项目重建，实时预览部署，结果立即可见
反馈循环：错误、新需求、澄清反馈回下一轮迭代

用户界面采用三栏布局：左侧对话/Prompt 输入、中间代码编辑面板、右侧实时 UI 预览。提供三种编辑模式：Agent Mode（AI 自主完成大任务）、Plan Mode（多步推理的协作对话）、Visual Edits（点击元素直接修改间距、颜色、布局——不消耗 credits）。

Supabase 深度集成：不止是"对接"

Lovable 对 Supabase 的使用远超普通集成。他们在 Supabase API 之上构建了一个翻译层，使其变得"LLM 友好"——精简、结构化、目标导向。由于 Supabase Edge Functions 当时不支持纯 API 部署，团队找到了一种方法在后台运行 Supabase CLI，实现了对后端的完全控制。系统能自动生成数据库表、Row Level Security 策略、认证流程、存储桶和 SQL 迁移文件。

产品-市场匹配之旅

Lovable 的 PMF 之路经历了两次明确的失败：

2023 年 12 月首发：反响冷淡，留存差——产品还是"单次生成"模式，生成的代码质量不够
2024 年 8 月二次发布：有所改善但增长迅速见顶——产品还不够好，品牌也没有信号传递变化

突破发生在团队发现了两个关键技术点：一是 AI 自我调试的"缩放法则"——投入更多工程努力可以直接提升 AI 不陷入死循环的能力；二是让系统能处理大型代码库而非仅限于小型原型。这两个突破加上品牌重塑，终于在第三次发布时引爆了增长。

核心"Aha Moment" 极其简单：新用户打开网站看到一个空白的对话框——没有落地页、没有强制注册、没有任何摩擦。输入一句描述，几分钟内看到一个可运行的应用出现。这种"想法 → 可用软件"的即时体验，是用户留存的核心驱动力。85% 的付费用户在第 30 天后仍然活跃——优于 ChatGPT 的留存率。

三、增长引擎：零付费营销的 $4 亿 ARR

冷启动：开源作为终极增长飞轮

Lovable 的增长起点是 2023 年 6 月 GPT Engineer 开源项目的病毒式传播。该项目在 GitHub 上以史上最快速度增长，短短两个月获得 5 万+ stars，流量之大一度让 GitHub 误以为遭受攻击而暂时关闭了仓库。这波浪潮带来了 ~30 万开发者试用和 2.7 万人的等候名单——这成为商业产品的天然用户池。

当 2024 年 11 月正式发布 Lovable 时，团队同时冲击 Product Hunt（当天 #1） 和 Hacker News 首页，叠加 2.7 万等候名单的释放，实现了极强的首日效应。第一周即达 $100 万 ARR。

多渠道增长矩阵

Lovable 的增长策略是同时运营 12+ 个渠道，但核心逻辑是产品驱动增长（PLG）——第一年零传统营销支出：

产品内置增长循环：免费用户的应用底部自动显示"Built with Lovable"水印，估计每月带来 ~2.5 万自然注册；每个模板复用都包含归因标识
Discord 社区：14.5 万+ 成员，日均 650+ 条消息，既是支持渠道又是内容生成引擎，估算每年节省 $800-1200 万的客服成本
YouTube Shorts：累计 2500 万次播放——团队用创意内容吸引注意力（一条病毒视频以"我们怎么做出这么多巧克力？"开头来阻止滑动，再引出 Lovable 产品）
创始人个人品牌：Anton Osika 在 LinkedIn 每周发 2-3 条帖子（刻意不标记公司页面以避免算法抑制），年生成 13.5-20 万次曝光
Lovable Launched 平台（launched.lovable.dev）：类似迷你 Product Hunt，用户提交 Lovable 构建的应用，每周 Top 5 获得免费 credits——创造社交证明循环
推荐机制：邀请朋友双方各获 10 credits

竞争格局定位

| 维度 | Lovable | Cursor | Bolt.new | V0 (Vercel) | Replit | |------|---------|--------|----------|-------------|--------| | 目标用户 | 非技术人群 + 创业者 | 开发者 | 快速原型 | 前端开发者 | 学习者 + 开发者 | | 核心模式 | 对话 → 全栈应用 | AI 增强 IDE | 浏览器沙箱 | UI 组件生成 | 云 IDE | | 后端能力 | Supabase 自动配置 | 用户自行搭建 | 内置数据库（较新） | 需自行配置 | 内置 | | 一键部署 | 是 | 否（需手动） | 是 | Vercel 集成 | 是 | | 可视化编辑 | 是（免费） | 否 | 否 | 否 | 否 | | GitHub 同步 | 双向 | 原生 | 导出 | 导出 | 有限 |

Lovable 的独特定位清晰：不是给开发者用的 AI 编程助手，而是给"99% 不会写代码的人"用的软件创建平台。这让它与 Cursor（$293 亿估值、面向开发者）形成了互补而非直接竞争的关系。与 Bolt.new 的竞争最为直接——Bolt 更快但代码质量较粗糙；Lovable 更慢但生成的应用更接近生产级别，且 Supabase 深度集成是核心壁垒。V0 仅生成前端组件，不具备全栈能力。

收入模型与 ARR 增长轨迹

定价采用订阅 + 用量混合模式：

| 方案 | 月费 | Credits | |------|------|---------| | Free | $0 | 每日 5 credits（~30/月） | | Pro | $25/月 | 100 月度 + 每日 5 额外（上限 150） | | Business | $50/月 | 200 月度 + SSO、安全扫描、设计模板 | | Enterprise | 自定义 | 自定义 credits + 专属支持 |

关键财务指标：净收入留存率 >100%——现有客户随时间增加支出。80% 的收入来自构建复杂应用程序而非简单原型。一个大胆的战略决策是，2025 年 6 月 CEO 主动放弃了 $150 万 ARR——将所有 Team 套餐用户降级为更便宜的 Pro 套餐（新增了协作功能），优先普惠性而非短期收入。

企业客户方面，Lovable 宣称超过半数的财富 500 强公司在使用其产品，包括 Klarna、HubSpot、Uber、Zendesk、Google、Amazon、Stripe、Netflix 等。典型的落地模式是：个人用户先自行使用 → 带入公司 → 逐步扩展为企业级合同。

四、组织杠杆：146 人如何创造 $4 亿 ARR

极致人效的秘密

Lovable 在 $4 亿 ARR、146 名员工时，人均 ARR 达到 $274 万——约为 SaaS 行业平均水平（$20-40 万/人）的 10 倍。Gartner 预测这种效率水平要到 2030 年才会出现。早期更夸张：$1000 万 ARR 时仅 15 人，$5000 万 ARR 时仅 18 人。

这种效率来自以下几个关键因素：

AI 原生运营——团队**大量使用自己的产品（dogfooding）**构建内部工具，从办公 CRM 到运营软件全部用 Lovable 生成。CTO Fabian Hedin 称这种做法"既上瘾又必要——它让我们始终了解产品的真实能力"。

产品驱动增长消除了大量人力需求——第一年零传统营销支出、最小化的销售团队，85% 的 Day 30 留存意味着极低的获客成本。社区（Discord 14.5 万人）承担了大量客服和文档功能。

通才型招聘——每个人覆盖多个领域而非狭窄专业化。核心招聘理念是"高潜力 > 经验"，寻找"心中有火"的人——将工作视为热情和爱好而非仅仅是薪水。面试采用实际工作模拟而非传统问答。

高级管理层延迟引入——只在产品-市场匹配被充分验证后才引入资深管理人才，而非之前。Elena Verna（前 SurveyMonkey/Dropbox/Miro 增长负责人）在 $5000 万 ARR 时加入；Maryanne Caughey（前 Notion/Gusto CPO）在 $1.3 亿 ARR 时加入。

文化特质

Anton Osika 明确反对硅谷式"996"文化："我团队里最优秀的人，大多数都有孩子，他们真的非常在意我们正在做的事。" 公司坚持留在斯德哥尔摩，拒绝了投资者迁往硅谷的压力——Osika 在 Slush 大会上说："这很诱人，但我真的抗住了。我现在可以坐在这里说：'看，各位，你可以从这个国家建立一家全球性 AI 公司。'"

达到独角兽地位（$18 亿估值）时，团队的庆祝方式是"一个很酷的人的生日派对——可能 100 个人，蛋糕、饮料、一个独角兽气球。就这样。"

两位创始人共同签署了 Founders Pledge，承诺将未来收益的 50% 捐赠给 AI 安全事业。Osika 在 2025 年 Nordic Tech Week 上公开了这一承诺："如果我要为一家公司拼命工作，而不是直接解决一个重大社会问题——这也是我考虑过的——那我必须觉得它会在世界上留下正面的印记。"

已知问题与用户批评

信用积分系统是用户最大的痛点。 Reddit 和 Trustpilot 上的头号投诉是：修复 AI 自身错误也消耗 credits，用户经常陷入"调试循环"而快速耗尽积分。有用户在 Trustpilot 称"花了数千美元在 credits 上只为解决同一个反复出现的问题"。

"70% 解决方案"困境——Lovable 被广泛描述为"最多带你走 70% 的路，剩下 30% 需要大量挣扎"。对于超出基本 CRUD 应用的复杂需求，AI 生成的代码质量下降明显。一位开发者的评价精准概括了现状："它是一个被监督的助手，而不是自主开发者——完美适合 MVP，但不适合可扩展软件。"

安全隐患是更严重的结构性问题。 2025 年 5 月，安全研究者扫描了 1,645 个 Lovable 创建的应用，发现 170 个允许未认证访问用户数据。Lovable 在 Guardio Labs 的 VibeScamming 基准测试中得分仅 1.8/10（最差），意味着它容易被用来创建钓鱼页面。2026 年 2 月，The Register 报道一个 Lovable 托管的应用存在 16 个漏洞（6 个严重级别），暴露了 18,000+ 用户数据。

此外，Barclays 研究曾指出 2025 年 9 月的流量较高峰下降了 40%，尽管 CEO 以 >100% 净收入留存率予以回应。

五、可复用的经验与行动指南

Lovable 成功的 5 个核心模式

模式一：开源冷启动 → 商业产品漏斗。 GPT Engineer 的 5 万+ GitHub stars 不仅是虚荣指标——它代表了 30 万开发者的试用、2.7 万人的等候名单、和"开发者背书"这一社交资本。开源项目充当了产品验证、用户获取、和品牌建设的三合一工具。关键是开源版本足够有用以吸引真实用户，但又有明确的商业升级路径。

模式二：约束技术栈以最大化 AI 可靠性。 这是 Lovable 最反直觉的决策——不支持多框架而是固定 React + Vite + Tailwind + Supabase。结果是 AI 在这个狭窄但深度优化的解空间内表现远超通用方案。对于任何 AI 产品，缩小输出空间比扩大模型能力更有效。

模式三：失败两次后品牌重塑信号"产品已质变"。 2023 年 12 月和 2024 年 8 月的两次失败发布是学习过程，而非浪费。品牌从 GPT Engineer 到 Lovable 的转变，向市场传递了"这不是同一个产品"的强信号。对于经历过失败发布的产品，更名可能比迭代更有效。

模式四：产品即增长——将增长机制嵌入产品本身。 "Built with Lovable"水印、免费可视化编辑（增加使用时间但不消耗 credits）、Lovable Launched 社区展示平台——每一个都是产品功能而非营销手段。结果是第一年零付费营销即达 $5000 万 ARR。

模式五：延迟管理层招聘，"先打赢仗再建军队"。 在产品-市场匹配之前保持极小团队（<20 人），只在 ARR 过亿后才引入顶级高管。这避免了过早的组织复杂性，同时确保高管加入时有明确的增长杠杆可操作。

面向独立开发者和 Solopreneur 的具体教训

关于技术栈选择：Lovable 的成功证明了 Vite + React + Tailwind + shadcn/ui 是 AI 代码生成场景下最成熟的组合——这些技术在 LLM 训练数据中有最丰富的表示。如果你在构建一个 AI 辅助产品（例如面向影视后期制作的 AI 生产力工具），考虑将 Rust 后端与这套前端栈结合：Rust 处理性能敏感的核心逻辑，React/Vite 前端利用 AI 辅助快速迭代 UI。Supabase 作为后端基础设施可以在早期极大减少后端工程量——auth、数据库、存储、Edge Functions 一站式解决。

关于 AI 产品的 PMF 节奏：Elena Verna 的洞察极为重要——在 AI 产品中，产品-市场匹配每 3 个月就需要"重新捕获"，因为底层模型能力在不断变化。传统 SaaS 的 95% 优化/5% 创新比例在 AI 产品中被倒置——创新大于优化。

关于冷启动的可复制路径：

构建一个解决真实痛点的开源工具/Demo 来积累初始用户和信任（对于影视后期领域，可以是一个开源的 Rust 视频处理库或 CLI 工具）
在 Hacker News（Show HN）和 Product Hunt 进行首发——这两个渠道对技术产品的转化率最高
建立 Discord 社区作为支持/反馈/内容生成的中枢
让早期产品的输出本身成为增长渠道（如 Lovable 的"Built with"水印——影视工具可以在导出的视频/项目文件中嵌入工具署名）

关于面向传统行业的垂直 AI 工具：Lovable 的经验表明，AI 产品在高度约束的垂直场景中表现最好。影视后期制作是一个理想的垂直场景——工作流程相对标准化（调色、合成、剪辑），素材格式有限（ProRes、EXR、DPX），行业术语固定。可以借鉴 Lovable 的"约束技术栈"思路：不试图让 AI 支持所有后期软件，而是深度集成一个生态（如 DaVinci Resolve + Nuke，或 Premiere + After Effects），让 AI 在该特定工作流中达到极高的可靠性。

最后一个关键洞察：Lovable 证明了一个深刻的市场真理——世界上 99% 的人不会写代码，但其中很多人有构建软件的需求。同样的逻辑适用于任何专业领域：世界上 99% 的人不懂调色/合成/特效，但越来越多的人有创造高质量视觉内容的需求。找到你的"99%"，为他们构建从"想法"到"成品"的最短路径——这就是 Lovable 级别的机会。

数据来源说明：本报告中的 ARR 数据主要来自 Bloomberg、TechCrunch、Fortune 的直接引用和 CEO 公开声明（确认事实）；团队规模数据来自 TechCrunch 和 Lenny's Podcast（确认事实）；市场分析和竞争比较部分综合了多个独立技术分析来源；用户反馈来自 Reddit、Trustpilot、G2 和 Hacker News 社区讨论。所有关键数字均已在至少两个独立来源中交叉验证。Tracxn 数据库中 817 人的员工数据与 TechCrunch 报道的 146 人存在显著差异，可能源于不同的统计口径（包含外包/承包商），本报告采用 TechCrunch 的更保守数据。

附录：为什么我体感上已经不用 Lovable 了？

Q: 说实话我已经不用 Lovable 了，Claude Code 完全代替了它。为什么查到的数据与体感不同？

核心答案：你不是 Lovable 的目标用户，你从来都不是。

你会用 Claude Code，说明你是一个有编程能力的开发者。而 Lovable 的 $4 亿 ARR 增长，几乎完全来自你之外的那个群体——产品经理、创业者、设计师、市场人员、传统行业从业者——那些从来不会打开终端的人。你离开 Lovable 转向 Claude Code，恰恰证明了 Lovable 的定位逻辑：它从一开始就没打算留住你这样的用户。

但你的体感里还藏着几个值得深挖的信号：

第一，ARR 数字可能比实际健康度更"闪亮"。 研究中已经提到，Lovable 最大的用户投诉是"修 AI 自己犯的错也烧 credits"。这意味着一部分 ARR 来自用户在调试循环中的被动消耗，而非真正的生产力产出。一个用户花了 $200 在 credits 上，可能只有 $60 产生了有价值的代码，剩下的全在和 AI 打架。这种模式能推高 ARR 数字，但用户满意度和长期留存是另一回事。Barclays 在 2025 年 9 月就指出流量较高峰下降了 40%，这和你的体感是吻合的。

第二，开发者圈层存在明显的工具迁移潮。 在 Hacker News 和 Reddit 的开发者社区中，你能观察到一个清晰的路径：早期尝鲜 Lovable/Bolt → 发现"70% 解决方案"的天花板 → 转向 Cursor 或 Claude Code 这类给予开发者更多控制力的工具。你的体感代表的是技术用户的自然毕业路径。Lovable 的策略是不追这批人，而是用更低的门槛去捕获源源不断的新非技术用户。

第三，"Vibe Coding"赛道本身有结构性的留存问题。 很多 Lovable 用户的使用模式是"激动地构建一个 MVP → 发现无法真正维护和迭代 → 项目搁置"。这种"一次性构建"的模式对 ARR 贡献很大（用户在前几周大量消耗 credits），但不产生持久的用户价值。CEO 公布的 85% Day-30 留存率听起来惊人，但这个数据的定义（是否包含免费用户、如何定义"活跃"）并未被独立审计验证。

第四，你的场景暴露了 Lovable 的根本局限。 你用 Rust + Vite 构建垂直行业工具——这恰好是 Lovable 完全无法覆盖的场景。它只能生成 React/TypeScript 代码，不支持 Rust，不支持自定义构建链，不支持深度后端逻辑。而 Claude Code 让你在自己的 IDE、自己的技术栈、自己的架构决策中获得 AI 辅助。对于任何需要技术深度而非技术广度的场景，Claude Code 都是严格优于 Lovable 的选择。

所以真实的竞争格局可能是这样的：

Lovable 和 Claude Code/Cursor 根本不在同一个市场里竞争。Lovable 卖的是"不会写代码的人也能做出软件"，Claude Code 卖的是"会写代码的人效率提升 10 倍"。Lovable 的 TAM 理论上更大（世界上不会编程的人远多于会编程的人），但单用户价值更低、留存更脆弱。Claude Code 的 TAM 更小但用户粘性极强——一旦融入你的工作流就很难离开。

对你构建垂直 AI 工具的启示： Lovable 的数据增长故事对你最有参考价值的不是它的产品本身，而是它证明的那个市场真理——巨大的需求存在于"想做但不会做"的人群中。你要思考的是：在影视后期领域，谁是那个"想做但不会做"的人？如果答案是"独立创作者想要专业级调色但不懂 DaVinci Resolve"，那你的产品设计思路应该更像 Lovable（极致简化、约束选择）；如果答案是"专业调色师想要更快的工作流"，那你的路径应该更像 Claude Code（深度嵌入现有工作流、给予专业控制力）。

你的体感没有错。它只是在告诉你：你不是那个市场的人。