基于文本的对话如今已被广泛用于解决现实世界中的问题。在已知解决方案策略的情况下，这些策略有时可以被编码为工作流程，以指导人类或人工智能代理完成帮助客户的任务。本文提出了一种新的问题表述方法，我们称之为工作流程发现（Workflow Discovery, WD），即在没有正式工作流程的情况下，我们希望发现为了解决特定问题而采取的一系列行动。我们还探讨了针对这一新颖任务的序列到序列（Seq2Seq）方法。我们在实验中从基于行动的对话数据集（Action-Based Conversations Dataset, ABCD）中的对话中提取工作流程。由于ABCD中的对话遵循已知的工作流程来指导代理，因此我们可以利用实际操作序列来评估我们的工作流程提取能力。我们提出并评估了一种基于可能行动集合对模型进行条件约束的方法，并展示了通过这种策略可以提高WD性能。此外，当将学习到的模型迁移到数据集内外未见过的领域时，我们的条件约束方法也能提升零样本和少样本WD性能。进一步地，在ABCD上，我们改进的Seq2Seq方法在许多评估指标上实现了与行动状态跟踪（Action State Tracking, AST）和级联对话成功（Cascading Dialogue Success, CDS）相关但不同的问题上的最先进性能。