破局卡顿缩放定律

Anton Osika 把这套改进方法称为一种"scaling law"：投入越多定向工作，产品可靠性就越可预测地提升，而不是随机改善。具体做法：

1. 承认 AI agent 的典型失败模式：一开始表现很好，然后在某个点"卡住"——引入一个 bug，然后没有能力自己修复、也不知道下一步该做什么。
2. 系统性找出"卡点"：不是笼统地说"AI 不够聪明"，而是痛苦地、逐一定位它具体在哪些环节反复卡住。
3. 锁定高频/高价值的卡点优先攻克：Lovable 的做法是先集中火力在最常见、最重要的功能环节——比如添加登录、数据持久化、接入 Stripe 支付——确保这些环节"不会卡住"，而不是平均分配精力。
4. 建立快速反馈循环，对系统做定量调优：针对识别出的卡点，用快速迭代的方式反复调整系统（prompt、工具编排、上下文管理等），直到该类卡点的失败率显著下降。
5. 接受"卡点前沿在快速后移"这一事实：今天用户仍需要"如何让 AI 脱困"的技能，但这类技能的重要性会随着团队不断攻克高频卡点而持续下降——用户能力和产品能力是此消彼长的关系。

作者称这是他们"公司不便公开细节的竞争优势"之一，说明这不是一次性修复，而是一套可以持续投入、持续见效的系统性方法。