Jika Anda membandingkan YAMLResume dan RenderCV, perbedaan yang jelas adalah mesin rendering dan jumlah pengaturan visual. Itu sudah kita bahas di perbandingan berdampingan. Artikel ini membahas sesuatu yang lebih sempit dan, bagi siapa pun yang membangun sistem dan bukan sekadar satu PDF, jauh lebih menentukan: bentuk data.
Kedua alat menerima YAML, memvalidasinya, dan mengubahnya menjadi PDF. Namun keduanya memodelkan dua hal yang berbeda:
- YAMLResume memodelkan resume sebagai record — satu baris yang skemanya dibagi oleh semua baris.
- RenderCV memodelkan resume sebagai dokumen — sebuah pohon yang bentuknya dikendalikan oleh penulis.
Ini bukan perbedaan kosmetik. Ini menentukan apakah "temukan semua orang dengan gelar master" adalah satu query SQL atau sebuah proyek parsing di lapisan aplikasi. Jadi mari kita lihat kedua model secara konkret, lalu telusuri apa biayanya dalam resume builder, sistem HR, atau ERP.
Dua model, satu resume
Berikut data orang yang sama dalam masing-masing format. Tidak ada yang dibuat-buat
— kurang lebih inilah yang dihasilkan yamlresume new dan rendercv new.
content:
basics:
name: Andy Dufresne
headline: Backend Engineer
email: [email protected]
location:
city: San Francisco
region: California
country: United States
profiles:
- network: GitHub
username: andy
education:
- institution: University of Southern California
degree: Bachelor
area: Computer Engineering
startDate: Sep 1, 2016
endDate: Jul 1, 2020
work:
- name: PPResume
position: Senior Software Engineer
startDate: Dec 1, 2022
endDate:
summary: |
- Built the LaTeX rendering pipeline
layouts:
- engine: latex
template: moderncv-classiccv:
name: Andy Dufresne
headline: Backend Engineer
email: [email protected]
location: San Francisco, CA
social_networks:
- network: GitHub
username: andy
sections:
education:
- institution: University of Southern California
degree: BS
area: Computer Engineering
start_date: 2016-09
end_date: 2020-07
experience:
- company: PPResume
position: Senior Software Engineer
start_date: 2022-12
end_date: present
highlights:
- Built the LaTeX rendering pipeline
design:
theme: classicSekilas keduanya tampak seperti sepupu. Ternyata bukan. Empat keputusan struktural memisahkan keduanya, dan masing-masing memiliki konsekuensi langsung di lapisan penyimpanan.
1. Apakah kunci section bersifat tetap?
YAMLResume memiliki himpunan kunci section yang tertutup.
skema konten
menggabungkan tepat empat belas: basics, location, profiles, education,
work, volunteer, awards, certificates, publications, skills,
languages, interests, references, projects. Resume yang salah menulis
certifcates tidak memiliki section sertifikat — tidak ada cara untuk
mengekspresikan section yang tidak ada dalam daftar.
Padanan di RenderCV hanyalah satu baris Pydantic:
sections: dict[str, Section] | NoneKuncinya adalah str. Tidak ada kata kunci yang dicadangkan. Pengguna dapat
menulis education, Education, education_and_training, Academic Background,
教育, atau Things I Did. Dalam
JSON Schema yang
dihasilkan, field itu secara literal adalah
additionalProperties: { "$ref": "#/$defs/Section" } — skema memberi tahu
validator "kunci apa pun boleh", dan tidak lebih.
2. Apakah nama field bermakna sama di semua tempat?
Inilah bagian yang mudah terlewat, dan yang paling menyakitkan di basis data.
RenderCV tidak memiliki satu skema entry; ia memiliki sembilan tipe entry
(ExperienceEntry, EducationEntry, PublicationEntry, NormalEntry,
OneLineEntry, BulletEntry, NumberedEntry, ReversedNumberedEntry), plus
sebuah string polos bernama TextEntry. Tipe sebuah section disimpulkan dari entry
pertama yang cocok, menggunakan tabel "field karakteristik" — field yang unik untuk
setiap tipe:
# rendercv/src/rendercv/schema/models/cv/section.py
characteristic_entry_fields = get_characteristic_entry_fields(available_entry_models)Entry yang berisi institution adalah EducationEntry, karena tidak ada tipe lain
yang mendeklarasikan institution. Entry dengan hanya name adalah NormalEntry.
Lalu validate_section() mewajibkan setiap entry dalam section itu bertipe
sama.
Konsekuensinya: nama field untuk "organisasi" bergantung pada tipe yang dipilih pengguna secara implisit.
| Konsep | ExperienceEntry | EducationEntry | NormalEntry |
|---|---|---|---|
| Organisasi | company | institution | name |
| Peran / subjek | position | area | — |
| Gelar | — | degree | — |
Perhatikan apa yang tidak ada dalam tabel itu. Tanggal, location, summary,
dan highlights identik di ketiga tipe, jadi itu juga tidak membantu Anda
membedakannya — satu-satunya sinyal adalah tiga baris di atas.
Jadi "di mana orang ini bekerja" adalah cv.sections.*[*].company jika ia
menggunakan ExperienceEntry, dan ...name jika ia menggunakan NormalEntry
untuk informasi yang sama. Dan sebuah section bisa berisi string polos saja, karena
TextEntry adalah str — artinya entries secara struktural adalah
list[str] | list[dict] tanpa jaminan bentuk sama sekali.
YAMLResume tidak memiliki penyimpangan seperti itu: perusahaan selalu
work[].name, institusi selalu education[].institution, dan section skills
selalu {name, level, keywords}.
3. Apakah nilai berasal dari kosakata terkontrol?
YAMLResume mematok nilai-nilai yang biasanya perlu dibandingkan oleh sistem:
degree∈Middle School | High School | Diploma | Associate | Bachelor | Master | Doctorlevel(skills) ∈Novice | Beginner | Intermediate | Advanced | Expert | Masterfluency∈ lima level turunan ILR, dariElementary ProficiencyhinggaNative or Bilingual Proficiencycountry,language,network— daftar tetap yang panjang, juga dipakai untuk terjemahan
degree di RenderCV adalah str | None. CV contohnya sendiri memakai PhD dan
BS. Itu sepenuhnya wajar untuk tata letak — dan itu berarti korpus file RenderCV
berisi PhD, Ph.D., Doctorate, BS, BSc, Bachelor of Science, MS,
MSc, M.S., Master of Science, yang semuanya hanya bermakna dua hal.
Satu detail yang layak dicatat untuk YAMLResume: nilai kanonik disimpan sekali, dalam bahasa Inggris, dan dilokalkan saat render. Resume berbahasa Mandarin dan resume berbahasa Inggris milik orang yang sama membawa nilai kanonik yang identik. Dengan string bebas, nilainya adalah apa pun yang diketik penulis dalam bahasanya, yang membuat agregasi lintas locale praktis mustahil.
4. Di mana presentasi berada?
Di RenderCV, judul tampilan section adalah kunci dict, dan urutan tampilan
adalah urutan penyisipan dict (get_rendercv_sections() menelusuri
sections.items() dan mengubah kunci snake_case menjadi Title Case). Ubah tampilan
resume dan Anda telah mengubah datanya.
Di YAMLResume, keduanya berada di layouts[], di bawah sections.aliases dan
sections.order. Konten mempertahankan kunci dan urutan kanonik, dan setiap format
output dapat menyajikannya secara berbeda.
Satu keputusan, empat gejala
Keempat jawaban itu tidak independen. Semuanya adalah konsekuensi dari satu sikap desain, dan menamainya membuat trade-off lebih mudah dinalar:
- YAMLResume bersifat opinionated secara desain. Skema yang mengambil keputusan — section mana yang ada, apa nama setiap field, nilai mana yang diizinkan, di mana presentasi berakhir dan konten dimulai. Penulis mengisi bentuk yang tidak ia pilih.
- RenderCV bersifat free-form secara desain. Penulis yang mengambil keputusan. Skema memvalidasi bahwa setiap entry terbentuk dengan baik secara internal, lalu menyingkir.
Keduanya sah, dan biayanya simetris:
Biaya menjadi opinionated adalah plafon ekspresif. Jika resume Anda memerlukan section "Patents" atau "Invited Talks" yang tidak ada di antara empat belas kunci YAMLResume, Anda tidak dapat mengekspresikannya secara native. Anda mendapatkan dua belas judul section yang dapat diganti nama, yang cukup untuk sebagian besar resume tetapi tidak untuk semua CV.
Biaya menjadi free-form adalah lantai semantik. Skema tidak dapat menjanjikan bahwa apa pun dalam dokumen dapat dibandingkan dengan apa pun yang lain. Dua penulis yang mengekspresikan fakta identik menghasilkan dokumen yang tidak berbagi kunci, kosakata, maupun struktur — dan itu tidak masalah sampai ada sesuatu selain pembaca manusia yang perlu mengonsumsinya.
Asimetri yang penting untuk artikel ini adalah kapan Anda membayar. Model
opinionated menagih Anda saat menulis, sekali, dengan koin kecil: Anda tidak bisa
mengatakan sesuatu yang ingin Anda katakan. Model free-form menagih Anda saat
membaca, selamanya, dalam mata uang yang berbunga: setiap judul section baru yang
diciptakan pengguna, dan setiap ejaan baru Master, adalah satu cabang lagi di
suatu parser hilir. Satu biaya dibayar sekali oleh seorang penulis; yang lain
dibayar berulang kali oleh setiap sistem yang menyentuh data itu setelahnya.
Itulah sebabnya sisa artikel ini membahas pembaca — basis data, pipeline ATS, impor HRIS — bukan penulis.
Berapa biayanya di Postgres
Asumsikan skema yang paling jelas — yang menjadi tujuan akhir setiap resume builder:
CREATE TABLE resumes (
id uuid PRIMARY KEY,
content jsonb NOT NULL,
created_at timestamptz NOT NULL DEFAULT now()
);Dengan model YAMLResume, path sudah diketahui sebelum data apa pun tiba, jadi Anda dapat mengindeks dan melakukan query secara langsung.
-- Semua pemegang gelar master
SELECT id, content -> 'basics' ->> 'name' AS name
FROM resumes
WHERE content -> 'education' @> '[{"degree": "Master"}]';
-- Kandidat dengan Kubernetes di resume mereka
SELECT id, content -> 'basics' ->> 'name' AS name
FROM resumes
WHERE content @? '$.skills[*].keywords[*] ? (@ == "Kubernetes")';
-- Jumlah per gelar, tanpa langkah normalisasi
SELECT e ->> 'degree' AS degree, count(*) AS n
FROM resumes, jsonb_array_elements(content -> 'education') AS e
WHERE e ->> 'degree' IS NOT NULL
GROUP BY e ->> 'degree'
ORDER BY n DESC;Yang terakhir adalah keseluruhan argumen dalam beberapa baris. Itu adalah GROUP BY
biasa atas kosakata tertutup, dan hasilnya langsung benar.
Sekarang padanan RenderCV-nya. Nama section tidak diketahui, jadi Anda harus menelusurinya; bentuk entry tidak diketahui, jadi Anda harus menyelidiki field yang mengidentifikasi entry pendidikan:
SELECT r.id, e ->> 'institution' AS institution, e ->> 'degree' AS degree
FROM resumes r
CROSS JOIN LATERAL jsonb_each(
CASE WHEN jsonb_typeof(r.content -> 'cv' -> 'sections') = 'object'
THEN r.content -> 'cv' -> 'sections'
ELSE '{}'::jsonb END
) AS s(title, entries)
CROSS JOIN LATERAL jsonb_array_elements(s.entries) AS e
WHERE s.title ~* '(education|academic|study)'
AND jsonb_typeof(e) = 'object'
AND e ? 'institution';CASE WHEN itu bukan perlindungan berlebihan: sections bersifat nullable dalam
model RenderCV, dan COALESCE tidak membantu, karena null JSON bukan NULL
SQL — jsonb_each melempar cannot call jsonb_each on a non-object. Penjaga
jsonb_typeof(e) = 'object' penting karena alasan yang sama: section TextEntry
adalah daftar string polos, dan jsonb_array_elements akan menyerahkan string itu
sebagai elemen.
Tiga masalah, dalam urutan yang semakin menjengkelkan:
s.title ~* '(education|academic|study)'adalah tebakan. Ia melewatkanBildungsweg,Things I Did, danedu. Ia juga menghasilkan positif palsu jika seseorang menamai section "Education Policy Publications".- Anda dapat memperbaikinya sebagian dengan menghapus filter judul dan hanya
mengandalkan
e ? 'institution'. Adil untuk dikatakan: tipe entry RenderCV adalah mitigasi nyata di sini — tipe entry adalah jangkar semantik yang bertahan terhadap penggantian nama. Tetapi itu hanya berfungsi jika penulis memilihEducationEntry. Jika ditulis sebagaiNormalEntry, pendidikan yang sama menjadi{name: "...", ...}daninstitutiontidak ada. - Nilainya masih kotor. Bahkan setelah Anda menemukan setiap field gelar, Anda mendapatkan ini:
SELECT lower(trim(e ->> 'degree')) AS degree_raw, count(*)
FROM resumes r
CROSS JOIN LATERAL jsonb_each(
CASE WHEN jsonb_typeof(r.content -> 'cv' -> 'sections') = 'object'
THEN r.content -> 'cv' -> 'sections'
ELSE '{}'::jsonb END
) AS s(title, entries)
CROSS JOIN LATERAL jsonb_array_elements(s.entries) AS e
WHERE jsonb_typeof(e) = 'object' AND e ? 'degree'
GROUP BY lower(trim(e ->> 'degree')); degree_raw | count
-------------------+-------
bs | 412
b.sc. | 37
bachelor | 21
bachelor of science| 9
phd | 188
ph.d. | 44
doctorate | 6
ms | 301
msc | 58
master of science | 27Angka di atas bersifat ilustratif. Angka itu menunjukkan bentuk distribusi yang seharusnya Anda perkirakan, bukan hasil dari korpus tertentu.
Sekarang Anda memerlukan tabel sinonim, dan Anda harus memeliharanya selamanya, karena tidak ada dalam skema yang menghentikan pengguna berikutnya menciptakan ejaan baru. Itulah "pajak kode lapisan aplikasi", dan ia tumbuh seiring korpus Anda alih-alih tetap.
Masalah proyeksi
Hasil nyata dari model tetap adalah Anda dapat memproyeksikan JSONB ke tabel relasional secara deklaratif — tanpa parsing, tanpa heuristik, tanpa kunci tak dikenal:
CREATE VIEW resume_work AS
SELECT r.id AS resume_id,
w ->> 'name' AS company,
w ->> 'position' AS position,
w ->> 'startDate' AS start_date,
w ->> 'endDate' AS end_date
FROM resumes r,
jsonb_array_elements(r.content -> 'work') AS w;View itu stabil di seluruh korpus Anda. Anda dapat meletakkan dasbor ATS, alat BI,
atau JOIN dengan tabel employees Anda di atasnya. Pernyataan yang sama untuk
RenderCV bukan hanya lebih sulit — ia tidak terdefinisi dengan baik, karena
"perusahaan" bisa company atau name, dan section yang menampungnya bisa berjudul
apa saja.
Jika Anda mengimpor file YAMLResume, Anda juga dapat menurunkan batasan basis data Anda dari skema yang sama yang dipakai CLI untuk memvalidasi, alih-alih memelihara salinan paralel secara manual:
ALTER TABLE resumes
ADD CONSTRAINT degree_valid CHECK (
content -> 'education' IS NULL
OR NOT jsonb_path_exists(
content,
'$.education[*].degree ? (@ != "Middle School" && @ != "High School"
&& @ != "Diploma" && @ != "Associate" && @ != "Bachelor"
&& @ != "Master" && @ != "Doctor")'
)
);Bertele-tele, tetapi dihasilkan — dan berlaku untuk setiap baris, selamanya.
Pengindeksan
Untuk data YAMLResume, satu indeks GIN menutupi query di atas:
CREATE INDEX resumes_content_gin ON resumes USING gin (content jsonb_path_ops);jsonb_path_ops mendukung @>, @?, dan @@, yang persis merupakan himpunan
operator yang Anda butuhkan: containment untuk pencocokan enum, JSON path untuk
pencarian kata kunci. Jika Anda sering memfilter pada satu array, indeks seluruh
array alih-alih satu elemen:
CREATE INDEX resumes_education_gin
ON resumes USING gin ((content -> 'education') jsonb_path_ops);Mengindeks content -> 'education' -> 0 ->> 'degree' akan menjadi kesalahan, dan
yang halus: ia hanya mengindeks pendidikan pertama seorang kandidat, sehingga
siapa pun yang gelar masternya tercantum kedua menjadi tak terlihat oleh indeks itu.
Mengindeks array itu sendiri tidak memiliki mode kegagalan tersebut.
Untuk data RenderCV tidak ada path stabil untuk diindeks. Anda harus membuat kolom tergenerasi per konsep semantik, dan masing-masing memerlukan penyelesaian masalah "section mana yang merupakan pendidikan" di SQL terlebih dahulu. Jawaban praktis yang diambil tim adalah pekerjaan normalisasi semalam — artinya, mereka akhirnya membangun skema tetap itu juga, hanya lebih lambat, di sistem kedua, dengan kehilangan data di sepanjang jalan.
Kisah yang sama di MongoDB
MongoDB lebih ramah terhadap dokumen resume bersarang, dan perbedaannya muncul di tempat yang sama: apakah query itu filter atau skrip.
Dengan YAMLResume, query dan indeksnya sama-sama langsung:
db.resumes.createIndex({ 'content.education.degree': 1 })
db.resumes.createIndex({ 'content.skills.keywords': 1 })
db.resumes.find(
{ 'content.education.degree': 'Master' },
{ 'content.basics.name': 1 }
)
db.resumes.aggregate([
{ $unwind: '$content.education' },
{ $group: { _id: '$content.education.degree', n: { $sum: 1 } } },
{ $sort: { n: -1 } },
])Itu adalah indeks multikey pada path yang diketahui, jadi server yang mengerjakan pekerjaannya.
Dengan RenderCV, cv.sections adalah peta dengan kunci tak dikenal, jadi Anda
tidak dapat mengindeks path yang tidak Anda ketahui. Yang terbaik yang bisa Anda
lakukan adalah menormalisasi saat membaca:
db.resumes.aggregate([
{ $project: { sections: { $objectToArray: '$cv.sections' } } },
{ $unwind: '$sections' },
{ $unwind: '$sections.v' },
{
$match: {
$or: [
{ 'sections.v.institution': { $exists: true } },
{ 'sections.k': /education/i },
],
},
},
{ $group: { _id: '$sections.v.degree', n: { $sum: 1 } } },
])Ini berfungsi, tetapi merupakan pemindaian koleksi dengan regex dan penyelidikan
$exists. Ia tidak dapat menggunakan indeks, dan maknanya bergeser seiring
pengguna menciptakan ejaan dan nama section baru. Pada beberapa ratus dokumen itu
tidak masalah. Pada beberapa ratus ribu itu adalah pekerjaan batch.
Di mana model RenderCV mungkin lebih baik
Pembacaan yang adil harus mengakui beberapa tempat di mana model dokumen bebas menang, dan di mana skema tetap merugikan Anda:
- Tanggal.
start_date/end_dateRenderCV dibatasi padaYYYY-MM-DD,YYYY-MM,YYYY, atau literalpresent, di-parse menjadi objekdatenyata untuk perhitungan durasi dan validasistart > end. Tanggal YAMLResume adalah apa pun yang diterimaDate.parse— bagus untuk mengetikSep 1, 2016dan untuk lokalisasi idiomatik, buruk untuk query rentang. Jika Anda membangun sistem HR di atas YAMLResume, simpan kolomstart_date dateyang ternormalisasi di samping konten; jangan mencoba melakukan query rentang pada string tampilan. - Section arbitrer. Seorang kandidat PhD menginginkan "Invited Talks", "Patents", "Teaching". RenderCV mendukungnya secara native. YAMLResume memiliki dua belas section yang dapat diganti nama, yang bisa mencakup sebagian besar resume tetapi tidak semua CV.
- Ekstensibilitas tingkat entry. Model entry RenderCV adalah
extra="allow", sehingga template dapat melampirkan field turunan (string tanggal yang dirender, rentang yang dihitung) tanpa merusak validasi. Itu trik pelapisan yang bersih. - Jaringan sosial. RenderCV memvalidasi 17 platform dengan aturan nama
pengguna per platform (Mastodon memerlukan
@user@domain, ORCID memerlukan ID berbentuk checksum, StackOverflow memerlukanid/name) dan menurunkan URL profil. YAMLResume menerima enumnetworkdanusernamebebas, dan mengambil URL apa adanya. - Menolak salah ketik. Model tingkat atas RenderCV adalah
extra="forbid", jadi kunci yang salah eja menjadi error. YAMLResume mengandalkan perilaku default objek Zod, yang membuang kunci tak dikenal — artinya salah ketik seperticertifcatesdibuang secara diam-diam alih-alih dilaporkan. Jika Anda menjalankan pipeline impor, validasi terhadap JSON Schema denganadditionalProperties: falsedi sisi Anda sebelum mempercayai sebuah dokumen.
Tidak satu pun dari ini membalikkan kesimpulan. Ia hanya membatasi cakupannya: model RenderCV lebih baik untuk menulis satu CV dengan presisi, dan lebih buruk untuk bernalar tentang banyak CV.
Putusan per skenario
Resume builder (SaaS multi-tenant). Anda memerlukan dokumen per pengguna,
riwayat versi, diff, dan pergantian template. Kunci tetap membuat diff bermakna —
perubahan adalah content.work[2].position, bukan "beberapa baris di dalam dict".
Itu juga membuat pergantian template aman, karena layouts adalah array terpisah
dan konten tidak pernah berpindah. Model YAMLResume adalah landasan yang lebih
baik. Model RenderCV lebih mudah jika Anda tidak pernah perlu melakukan query
lintas pengguna dan pengguna Anda menuntut section yang tidak biasa.
Pipeline HR / ATS. Ini kasus yang paling jelas. Anda tidak menyimpan resume;
Anda menyimpan kandidat, dan resume hanyalah salah satu atribut. Anda memerlukan
join dengan lowongan, tahapan, dan karyawan, plus pelaporan ("berapa banyak
kandidat yang masuk daftar pendek memiliki gelar master?"). Skema tetap dengan
kosakata enum memberi Anda semua itu dalam SQL. Model dokumen bebas mendorong Anda
ke sebuah etl/normalize.py yang tidak pernah selesai.
ERP / HRIS. Resume adalah bagian kecil dari dunia ternormalisasi yang besar.
Arah integrasi lebih penting daripada penyimpanan: kunci tetap memungkinkan Anda
menghasilkan pemetaan dari JSON resume ke entitas kanonik Person, Education,
dan Employment secara mekanis. Kunci arbitrer berarti seorang manusia menulis dan
memelihara pemetaan itu per pelanggan.
Pertukaran data. Skema YAMLResume mengikuti bentuk
JSON Resume, dan
json2yamlresume mengonversi antara kedua
format. Itu penting untuk memetakan data resume ke model Anda sendiri tanpa lebih
dulu menciptakan sebuah format, bukan sebagai klaim tentang kesehatan ekosistem
pihak ketiga. File RenderCV adalah dokumen yang terdefinisi dengan baik, tetapi
bentuknya disesuaikan untuk tata letak, bukan untuk pertukaran.
Satu orang, satu PDF yang indah. RenderCV menang telak. Section arbitrer, tanggal bertipe, gaya per elemen, dan matematika Typst tepat sekali ketika audiens adalah pembaca manusia alih-alih basis data.
Resep praktis
Jika Anda membangun sistem dan Anda bisa memilih, simpan model record dan perlakukan model dokumen sebagai urusan rendering. Secara konkret:
- Simpan satu record kanonik yang tervalidasi skema per resume (
contentdi YAMLResume). Validasi saat menulis, di batas. - Jangan pernah menyimpan string tampilan sebagai sumber kebenaran. Simpan tanggal ternormalisasi dan nilai enum; lokalkan saat membaca.
- Simpan presentasi — template, alias, urutan section, warna — di kolom atau tabel terpisah. Itu adalah keadaan view, bukan data resume.
- Jika Anda harus mengimpor dokumen bergaya RenderCV, simpan YAML mentah untuk kesetiaan dan proyeksikan ke bentuk ternormalisasi saat impor. Lakukan tebakan sekali, di bawah tinjauan, alih-alih pada setiap laporan.
Ringkasan
Kedua alat adalah "resume as code", dan keduanya baik dalam hal itu. Tetapi model data mereka menjawab pertanyaan yang berbeda:
| Properti | YAMLResume | RenderCV |
|---|---|---|
| Kunci section | Tetap, 14 kunci diketahui | String arbitrer |
| Bentuk entry | Tetap per section | 9 tipe tersimpul + string |
| Degree / level / fluency | Enum, diterjemahkan | String bebas |
| Tanggal | Bebas, lokalisasi diutamakan | Bertipe YYYY-MM[p-D] + present |
| Urutan dan judul section | Di layouts[] | Urutan dan nama kunci dict |
| Kunci tak dikenal | Dibuang (diam-diam) | Dilarang di tingkat atas |
| Dapat di-query tanpa kode aplikasi | Ya | Sebagian, via field tipe entry |
| Section arbitrer | Tidak (12 dapat diganti nama) | Ya |
| Asal skema | Bentuk JSON Resume | Bentuk dokumen sendiri |
YAMLResume memodelkan resume sebagai record: kunci yang sama, kosakata yang sama, makna yang sama, untuk setiap dokumen di korpus Anda. RenderCV memodelkannya sebagai dokumen: setiap kebebasan yang mungkin Anda inginkan saat menulis, dan setiap ambiguitas yang menyertainya ketika Anda membaca dalam skala besar.
Tidak ada yang salah. Keduanya adalah optimalisasi untuk pembaca yang berbeda — basis data, atau orang yang memegang PDF.
Untuk pandangan yang lebih luas, fitur demi fitur, termasuk mesin, locale, dan perkakas, lihat YAMLResume vs RenderCV. Untuk skema itu sendiri, referensi tipe dan JSON Schema adalah sumber otoritatif.
Written by
Xiao HanyuAt