¿Por qué Lovable olvida mis indicaciones anteriores?

Lovable olvida tus indicaciones anteriores porque cada generación utiliza una ventana deslizante de chat reciente más el blob de conocimiento del proyecto, por lo que las instrucciones que escribiste hace muchos componentes se desplazan fuera de la vista. Después de aproximadamente 15–20 componentes, la pérdida se vuelve obvia. La solución es almacenar tus reglas derivadas de indicaciones como memoria persistente y permitir que Lovable las recupere en cada generación.

Lovable es un constructor de aplicaciones de codificación de ambiente donde la conversación es tanto la especificación como la fuente de verdad. Tres decisiones de diseño en ese modelo empujan las indicaciones anteriores fuera de efecto:

1. La ventana de chat está limitada. Cada generación se compone de los mensajes más recientes y el código visible. Las indicaciones de la primera semana —incluso las importantes— no se recuperan cuando caen fuera de la ventana.

2. El conocimiento del proyecto es un blob de texto, no un registro de indicaciones. Puedes pegar reglas permanentes en el área de conocimiento del proyecto, pero es un solo campo que compite con todo lo demás por atención. No es un registro estructurado de "cada instrucción que el usuario ha dado alguna vez".

3. Las indicaciones se tratan como entradas transitorias, no como memoria. Lovable no convierte automáticamente "siempre envuelve las páginas en AppLayout" en una regla persistente. A menos que lo transcribas en el conocimiento del proyecto o en un archivo fijado, la instrucción vive solo mientras permanezca en la ventana de chat. La documentación oficial de Lovable en docs.lovable.dev describe el modelo de conocimiento del proyecto y sus límites.

El resultado: las instrucciones se mantienen durante un puñado de generaciones y dejan de aplicarse silenciosamente una vez que el chat avanza.

La pérdida de indicaciones cuesta de tres maneras concretas:

• Repetición. "Usa exportaciones nombradas. Usa los tokens de diseño. Nunca uses useEffect para la obtención de datos." Vuelves a escribir las mismas cinco reglas cada dos días.
• Desviación en el código generado. Los nuevos componentes ignoran las reglas permanentes porque el modelo nunca las vio en esta ronda. Pasas tiempo de lanzamiento alineando la diferencia con lo que ya pediste.
• Pérdida de directivas del producto. "Los usuarios de prueba no pueden invitar a compañeros de equipo" es una regla del producto de la primera semana. Para el segundo mes, las nuevas generaciones reintroducen el flujo prohibido.

La solución no es "hacer que el chat sea más largo" — es extraer reglas del chat a la memoria que el modelo lee automáticamente.

Lovable te ofrece tres maneras de hacer que las instrucciones se mantengan. Ninguna escala de manera limpia.

Conocimiento del proyecto es el lugar oficial para reglas permanentes. Se aplica en cada generación, en un solo blob de texto. Útil para "las 10 reglas principales", menos útil para la larga cola de direcciones de producto, dominio y estilo que acumulas.

Archivos fijados mantienen archivos fuente específicos en contexto. Útil para ejemplos canónicos — "sigue el patrón en AppLayout.tsx" — y limitado por cuántos archivos puedes fijar sin abarrotar la ventana.

Reafirmar reglas en cada indicación es la solución manual. Funciona y es el trabajo que se supone que la memoria persistente debe eliminar.

El problema más profundo es que las indicaciones son el contrato hablado de un proyecto. Se acumulan, deberían superponerse de manera limpia y deberían ser recuperables por generación. El campo de conocimiento del proyecto de Lovable es texto global — no puede adaptarse a qué componente está generando el modelo, y no tiene versiones.

Las reglas derivadas de indicaciones necesitan vivir en una memoria estructurada por encima del constructor.

MemoryLake es una capa de memoria entre modelos de la que Lovable lee a través de REST. En lugar de pegar y volver a pegar tus reglas en el conocimiento del proyecto, almacenas indicaciones como Memorias y dejas que el motor de recuperación presente las relevantes por generación.

• Indicaciones como Memorias consultables. "Envuelve las páginas en AppLayout", "usa TanStack Query", "nunca uses useEffect para obtener" cada una vive como Memorias estructuradas que puedes listar, editar y versionar.
• Recuperación por generación, no blob global. El modelo obtiene exactamente las reglas que se aplican al componente actual, en lugar de un gran campo de texto con todo en él.
• 10,000× el alcance de recuperación de la indicación cruda. MemoryLake lee de miles de millones de tokens de memoria del proyecto y devuelve solo las indicaciones relevantes para el archivo que se está generando, por lo que tus reglas sobreviven a la desviación del componente.

MemoryLake obtuvo un 94.03% en el benchmark de contexto largo de LoCoMo, el mejor resultado publicado hasta 2026, con recuperación en milisegundos y cifrado de extremo a extremo AES-256.

1. Crea un proyecto y carga tu contexto. Inicia sesión en MemoryLake, abre Gestión de Proyectos, haz clic en Crear Proyecto y nómbralo "Lovable — Biblioteca de indicaciones de Acme". Sube tus exportaciones de chat anteriores, PRDs y documentos de reglas a través del Document Drive. Agrega cada regla permanente — "siempre envuelve las páginas en AppLayout", "sin useEffect para obtener" — como su propia Memoria en la pestaña de Memorias.
2. Genera un endpoint de servidor MCP. Abre la pestaña de Servidores MCP dentro de tu proyecto, haz clic en Agregar Servidor MCP, nómbralo "Memoria de indicaciones de Lovable" y haz clic en Generar. MemoryLake devuelve un ID de clave API, secreto y URL de endpoint. Copia el token Bearer inmediatamente — solo se muestra una vez.
3. Conecta Lovable a través de REST. Lovable aún no habla MCP de manera nativa, así que usa la API REST. O bien pega el conjunto de reglas consolidadas en el área de conocimiento del proyecto de Lovable y actualízalo desde MemoryLake cuando cambie, o ejecuta un script de configuración que llame al endpoint REST de MemoryLake con tu token Bearer y actualice el conocimiento del proyecto antes de cada lanzamiento. Cada nueva generación ahora comienza con tus reglas ya frente al modelo.