Stuur de AI gerichter aan met de modulaire techniek voor lovable prompts
Wie een compleet idee in één keer aan Lovable voert, krijgt vaak een rommelige en onstabiele codebase terug. Met de modulaire prompt-techniek splits je het bouwproces op in drie duidelijke lagen, waardoor de AI veel gerichter en schoner bouwt.
lvbl.nl redactie
Bijdrager · lvbl.nl
Het probleem met de megaprompt
Veel gebruikers beginnen een sessie met een lange opsomming van eisen. Je vraagt om een dashboard met een donkere modus, een zoekbalk, een tabel met sorteerbare kolommen, een koppeling met een database en direct ook een exportknop naar pdf. Hoewel het verleidelijk is om alles in één keer uit te leggen, raakt het taalmodel achter Lovable hier snel door overbelast. De AI moet tegelijkertijd nadenken over visuele styling, datastructuren, event handlers en foutafhandeling. Het gevolg is vaak halfbakken code, ontbrekende functies of styling die onbedoeld andere onderdelen van je applicatie sloopt.
De kern van de modulaire techniek
Bij de modulaire techniek knip je het bouwproces op in drie strikt gescheiden lagen: het visuele skelet, het datacontract en de interactieve logica. Je geeft Lovable pas de volgende opdracht zodra de vorige laag volledig staat en werkt. Dit voorkomt dat het platform aannames moet doen over onderdelen die nog niet gedefinieerd zijn. Bovendien zorgt het voor kleine, overzichtelijke wijzigingen in de code. Als er iets misgaat, weet je direct in welke laag het probleem zit en kun je met één klik terug naar de vorige werkende versie.
Fase 1: Het visuele skelet opzetten
Je begint altijd bij de buitenkant, maar zonder enige vorm van dynamische logica of ingewikkelde staat. Je vraagt de AI om uitsluitend de visuele lay-out te bouwen op basis van statische gegevens. Denk hierbij aan de positionering van elementen, de rasterstructuur en de responsive opbouw voor mobiel en desktop.
Een voorbeeld van een initiële prompt in deze fase is: "Bouw een responsive dashboard-lay-out met een vaste zijbalk links en een hoofdvenster rechts. Gebruik tijdelijke hardcoded teksten voor de navigatie-items. Voeg nog geen functies, knoppen of afhandeling van data toe, richt je alleen op de visuele structuur en strakke uitlijning."
Door Lovable in deze fase uitsluitend te laten focussen op het uiterlijk, krijg je een zuivere componentenstructuur. Pas als het ontwerp op alle schermformaten klopt, ga je door naar de volgende stap.
Fase 2: Datastructuur en mockdata definiëren
Zodra de lay-out staat, is het tijd om de gegevensstructuur vast te leggen. In plaats van direct een live database te koppelen, vraag je de AI om een helder type-bestand of een mockdata-array aan te maken. Dit dwingt het systeem om na te denken over welke informatie een component exact nodig heeft om te functioneren.
Je vervolgprompt ziet er dan zo uit: "Maak een TypeScript-interface voor een Project-object met de velden id, titel, status en aanmaakdatum. Maak een array met drie fictieve projecten en gebruik deze mockdata om de tabel in het dashboard te vullen. Zorg dat de status een badge krijgt met de juiste kleur op basis van de waarde."
Hier doorbreek je de neiging om te snel te willen gaan. Omdat het datacontract nu helder is gedefinieerd, snapt Lovable exact hoe de gegevens door de componenten stromen. Dit voorkomt later hardnekkige foutmeldingen over ontbrekende eigenschappen of verkeerde datatypes.
Fase 3: Interactie en randgevallen toevoegen
Nu het skelet staat en de data helder is gestructureerd, voeg je pas de daadwerkelijke logica toe. Dit is het moment waarop je functies zoals zoeken, filteren, sorteren of het openen van dialoogvensters introduceert. Vraag dit ook weer stapsgewijs aan, en vergeet vooral de randgevallen niet.
Een effectieve prompt voor deze fase is: "Voeg een zoekfunctionaliteit toe aan de zoekbalk boven de tabel. Zorg dat de tabel gefilterd wordt op basis van de projecttitel. Als er geen resultaten zijn, toon dan een nette melding met de tekst 'Geen projecten gevonden'. Voeg ook een laad-indicator toe die kort zichtbaar is tijdens het filteren."
Doordat de basis al robuust staat, hoeft de AI in deze fase alleen nog maar functies te schrijven die de bestaande data manipuleren of de weergave aanpassen.
Waarom deze aanpak werkt in de praktijk
Het grootste voordeel van deze aanpak is de controle die je behoudt over het ontwikkelproces. AI-modellen werken het beste als hun context gefocust is op één specifieke taak. Wanneer je vraagt om de lay-out aan te passen, hoeft de AI niet bang te zijn dat de database-query breekt, omdat die laag simpelweg nog niet bestaat of afgeschermd is.
Bovendien maakt deze werkwijze het testen heel eenvoudig. Je kunt na elke fase de gegenereerde code bekijken in de preview van Lovable. Zie je dat een styling-klasse verkeerd wordt toegepast? Dan herstel je dat meteen, voordat de logica eromheen gebouwd is. Dat scheelt uren zoekwerk in een later stadium.
Tips voor het beste resultaat op lvbl.nl
Als onafhankelijk platform zien we op lvbl.nl dagelijks hoe bouwers worstelen met te complexe opdrachten. Om het maximale uit de modulaire methode te halen, adviseren we om altijd de geschiedenis van je project in de gaten te houden. Lovable slaat bij elke prompt een versie op. Maak daar gebruik van: werkt fase 2 niet zoals verwacht? Ga dan terug naar het punt waarop fase 1 afgerond was en herformuleer je vraag.
Houd je prompts daarnaast zo expliciet mogelijk over wat de AI niet moet doen. Zinnen als "voeg nog geen backend toe" of "gebruik nog geen echte api-calls" geven het model duidelijke grenzen. Durch deze kaders mee te geven, stuur je het platform precies de richting uit die jij wilt, zonder ongewenste verrassingen in je code.
Vond je dit fijn?
Geef een hartje en deel het met een andere Lovable-fan.